Диссертация Тупикиной С.В.

Главная

Электронная библиотека

Ссылки

Результаты поиска в Internet

Тупикина Светлана Владимировна

факультет Компьютерных Информационных Технологий и Автоматики

Диссертация по магистерской работе на тему:Разработка специализированной системы обработки изображений на базе нейронных сетей Кохонена

Актуальность работы, цели и задачи исследования

Последнее десятилетие ХХ века, безусловно, стало эпохой стремительно развивающихся компьютерных и информационных технологий. Вычислительная техника проникла во все сферы деятельности человека: медицину, экономику, машиностроение и т.д. Самый значительный прорыв, на мой взгляд, сделан в области медицинской диагностики. Объединение знаний специалистов компьютерных технологий, инженеров - системотехников и врачей привели к созданию большого количества новых медицинских приборов, технологий и методик, а также усовершенствованию уже существующих систем.
Значительные изменения в этой сфере вызваны необходимостью существенного повышения качества диагностики в целях выявления заболеваний на ранних стадиях, что приведет как к сокращению уровней заболеваемости, так и к сокращению расходов на лечение больных. С этой целью в большинстве больниц Украины в последние годы открыты диагностические кабинеты, отделения и центры. К сожалению, недостаточное финансирование области здравоохранения сказывается на качестве предоставляемых услуг диагностики. Старая аппаратура, программное и математическое обеспечение для нее не дают возможность делать диагностику на современном уровне.

Поэтому целью работы для меня является реализовать новый метод обработки полученных томографических изображений, который будет реализован на базе нейронных сетей Кохонена. Эта методика даст возможность постановки более точного и правильного диагноза с использованием уже существующей аппаратуры. Также будут внесены некоторые изменения в информационное и программное обеспечение (в частности,будет применяться новый программно реализуемый фильтр).

Задачи исследования (некоторые из которых уже реализованы):изучение литературы (и медицинской, и технической) по рассматриваемому вопросу; анализ существующих систем, в которых используются нейросетевые методы обработки изображений, выявление их преимуществ и недостатков; корректировка существующего информационного обеспечения, написанного под DOS; разработка программного обеспечения, в котором будут реализованы функции фильтрации, распознавания и обработки изображений.

Медицинский аспект решаемой задачи

Компьютерная томография позволяет получить на одном срезе изображение костей черепа, структур головного мозга (мозжечок, серое и белое вещество), желудочковой системы мозга, субарханоидального пространства и т.д. Можно выявить:

инфаркт и кровоизлияние в мозг,
пороки развития сосудов и большие мемотчатые аневризмы,
диагностировать различные виды воспалительных процессов головного мозга;
определить положение опухоли, ее отношение к жизненно важным образованиям мозга, выявить источник роста и распространенность опухолей.

Краткая характеристика диагностируемых патологий головного мозга:

расстройства мозгового кровообращения развиваются при гипертонических болезнях, атеросклерозе сосудов головного мозга и магистральных сосудов головы, пророках развития мозговых сосудов, артериальных аневризмах мозговых сосудов, васкулитах, заболеваниях крови, травмах, а также при болезнях сердца. Различают преходящие нарушения мозгового кровообращения и инсульты (геморрагические и ишемические). Иногда под видом переходящих расстройств мозгового кровообращения протекают микроинсульты, распознавание которых в этом случае затруднено. При злокачественном течение гипертонической болезни может возникнуть отек мозга.
основными воспалительными заболеваниями головного мозга являются - менингит, энцефалит и абсцесс мозга. Менингит - это воспалительное заболевание головных оболочек, обычно происходит поражение мягких мозговых оболочек. Воспаление твердой мозговой оболочки называют пахименингитом, а преимущественное поражение паутинной - арахноидитом. Энцефалит - воспаление головного мозга. По течению может быть острым, подострым и хроническим Абсцесс мозга - скопление гноя в веществе головного мозга, отграниченное капсулой. Формирование абсцесса неизменно связано с проникновением инфекционного агента в мозговое вещество из какого-либо гнойного очага в организме или окружающей среды.
что касается опухолей, то их локализация в головном мозге очень разнообразна; клиническая картина складывается из общемозговых и шаговых симптомов; их существует огромное количество и очень обширна классификация.

Необходимо отметить, что для исследования мозга в настоящее время существует и множество других методик и соответственно диагностических приборов: реоэнцефалография, электроэнцефалография, ангиография, ультразвуковая диагностика, радионуклидная гамма-энцефалография, цистернография и др. Выбор именно томографа обусловлен тем, что с помощью него можно получить "картинку" - изображение внутренней среды черепа: серого и белого вещества, наличие очагов кровоизлияния и ушибов.

Анализ используемого математического аппарата

Выбор в качестве математического аппарата - искусственных нейронных сетей (ИНС) обусловлен новизной этой прикладной области математики, а актуальность исследований в этом направлении подтверждается массой различных применений НС, таких как автоматизация процессов распознавания образов, адаптивное управление, аппроксимация функционалов, прогнозирование, создание экспертных систем, организация ассоциативной памяти и многие другие приложения.
Нейрон - составная часть нейронной сети. В состав нейрона входят умножители (синапсы), сумматор и нелинейный преобразователь. Синапсы осуществляют связь между нейронами и умножают входной сигнал на число, характеризующее сигналу связи, - вес синапса. Сумматор выполняет сложение сигналов, поступающих по синаптическим связям от других нейронов, и внешних входных сигналов. Нелинейный преобразователь реализует нелинейную функцию одного аргумента - выхода сумматора. Эта функция называется функцией активации или передаточной функцией нейрона. Нейрон в целом реализует скалярную функцию векторного аргумента. В качестве примера на рисунке 1 приведена однонейронная сеть.

Рис.1 - Однонейронная система

Синаптические связи с положительными весами называют возбуждающими, с отрицательными весами - тормозящими.Нейрон можно полностью описать его весами и передаточной функцией, которая может быть: пороговая, знаковая (сигнатурная), сигмоидальная (логистическая), полулинейная, линейная,радиальная базовая,треугольная, полулинейная с насыщением,линейная с насыщением, гиперболический тангенс.
Известные в настоящее время алгоритмы обучения:

С учителем:
- алгоритмы обучения персептрона, обратное распространение;
- алгоритм обучения Больцмана;
- линейный дискриминантный анализ;
- векторное квантование;
Без учителя:
- проекция Саммона;
- метод главных компонентов;
- обучение ассоциативной памяти;
- самоорганизующиеся карты Кохонена;
Смешанный алгоритм обучения - сеть с радиальными базисными элементами.

В данной работе рассматривается алгоритм обучения без учителя, в частности сеть Кохонена.
Этот тип сети был предложен Кохоненом в 1984г. К настоящему времени существует множество модификаций исходной модели с развитой математической теорией построения и функционирования.
Слой Кохонена классифицирует входные векторы в группы схожих векторов. Это достигается с помощью такой подстройки весов, что близкие входные векторы активизируют один и тот же нейрон данного слоя. Слой Кохонена обучается без учителя. В результате обучения слой приобретает способность разделять несхожие входные векторы. Какой именно нейрон будет активизироваться при предъявлении входного сигнала заранее трудно предсказать.
При обучении слоя Кохонена на вход подается входной вектор и вычисляются его скалярные произведения с векторами весов всех нейронов. Скалярное произведение является мерой сходства между входным вектором и вектором весов. Нейрон с максимальным значением скалярного произведения объявляется "победителем", и его веса подстраиваются (весовой вектор приближается к входному).

Алгоритм Кохонена дает возможность строить нейронную сеть для разделения векторов входных сигналов на подгруппы. Сеть состоит из M нейронов, образующих прямоугольную решетку на плоскости (рис. 2). Элементы входных сигналов подаются на входы всех нейронов сети. В процессе работы алгоритма настраиваются синаптические веса нейронов.
Входные сигналы - вектора действительных чисел - последовательно предъявляются сети. Желаемые выходные сигналы не определяются. После того, как было предъявлено достаточное число входных векторов, синаптические веса сети определяют кластеры. Кроме того, веса организуются так, что топологически близкие узлы чувствительны к похожим внешним воздействиям (входным сигналам).

Для реализации алгоритма необходимо определить меру соседства нейронов (меру близости). На рис. 3 показаны зоны топологического соседства нейронов на карте признаков в различные моменты времени. NE_j(t) - множество нейронов, которые считаются соседями нейрона j в момент времени t. Зоны соседства уменьшаются с течением времени.

Рис. 2 - Сеть Кохонена

Рис. 3 - Зоны топологического соседства на карте признаков в различные моменты времени

Областью применения данного алгоритма является кластерный анализ, распознавание образов, классификация. Однако при кластерном анализе сеть можно использовать, если заранее известно число кластеров. Преимущество данных сетей - сеть Кохонена способна функционировать в условиях помех, так как число классов фиксировано, веса модифицируются медленно и настройка весов заканчивается после обучения.

Алгоритм Кохонена формирования карт признаков:

Шаг 1. Инициализация сети:
Весовым коэффициентам сети присваиваются малые случайные значения. Общее число синаптических весов - M*N (см. рис. 2). Начальная зона соседства показана на рис. 3

Шаг 2. Предъявление сети нового входного сигнала.

Шаг 3. Вычисление расстояния до всех нейронов сети: Расстояния d_j от входного сигнала до каждого нейрона j определяется по формуле:

(1)

где x_i - i-ый элемент входного сигнала в момент времени t,
w_ij(t) - вес связи от i-го элемента входного сигнала к нейрону j в момент времени t.

Шаг 4. Выбор нейрона с наименьшим расстоянием:
Выбирается нейрон j^*, для которого расстояние d_j наименьшее.

Шаг 5. Настройка весов нейрона j^* и его соседей:
Производится подстройка весов для нейрона j^* и всех нейронов из его зоны соседства NE. Новые значения весов:

(2)

где r(t) - шаг обучения, уменьшающийся с течением времени (положительное число, меньше единицы).

Шаг 6. Возвращение к шагу 2.

Ожидаемые результаты, степень их новизны и перспективы исследования

Основным результатом работы является создание специализированной компьютерной системы диагностики состояния головного мозга, выявления очагов кровоизлияния и их степени.
Научной новизной работы является получение новых методов и инструментов для исследования изображений. Полученные результаты будут иметь практическое применение, т.к. в настоящее время на Украине во многих сферах деятельности еще применяется аппаратура старого образца, дающая недостаточно качественное изображение. Обработка этих результатов новым способами позволит делать более глубокий анализ исследуемых объектов.
В качестве перспектив исследования я бы хотела применить полученные методы для обработки изображений, получаемых не только в медицине, но и при космических, геологических, медицинских и других исследованиях. Попробовать применить другие типы нейронных сетей (например, сети с радиальными базисными элементами) для задач обработки и распознавания изображений.

Литература:

Дьяконов В., Круглов В. Математические пакеты расширения MATLAB. Специальный справочник. - СПб.: Питер, 2001. - 480 с.
Каллан Роберт Основные концепции нейронных сетей.: Пер. с англ. - М.: Издательский дом "Вильямс", 2001. - 287 с.
Круглов В. В., Борисов В. В. Искусственные нейронные сети. Теория и практика. - М.: 2001.
Прэтт У. Цифровая обработка изображений: Пер. с англ. - М.: Мир, 1982.