Интеллектуальные способы распознавания плоскостопия: обработка естественного языка и сегментация изображений

Аннотация

М.Ю. Борисенко, Е.В. Перинская. Интеллектуальные способы распознавания плоскостопия: обработка естественного языка и сегментация изображений. Рассмотрены интеллектуальные способы распознавания плоскостопия такие, как: обработка естественного языка и сегментация изображений. Представлены оценки качества моделей данных алгоритмов.

Введение

Качество диагностики непосредственно зависит от умений, наличия информационной базы и проницательности врача.

Личные проблемы и недомогание отрицательно проявляются в рабочей деятельности врача.

Подготовка специалистов – процедура длительная и дорогостоящая, в результате чего во многих странах, в том числе и достаточно прогрессивных, ощущается нехватка специалистов.

Медицина является одной из самых скорорастущих и прогрессивных сфер науки [1]. Современные результаты перекрывают своих предшественников, новые препараты возникают с каждым днем. То же самое касается и самих болезней, принимающих новые виды.

Эти факторы вызывают необходимость нахождения современных решений и инструментов, таких как использование искусственных нейронных сетей (ИНС) [2]. ИНС – это воплощение нейронных структур человеческого мозга в программу. Биологический нейрон является особой клеткой, структурно состоящей из ядра, тела клетки, а также отростков. Выделяют одну из основных задач нейрона – изображение электрохимического импульса по нейронной сети при помощи доступных отношений с иными нейронами. При этом каждая связь обладает определенной величиной, которую именуют силой синаптических отношений. Данная величина находит, что происходит с электрохимическим сигналом во время его передачи на иной нейрон: выполняется усиление, ослабление или сохраняется стабильность. Нейрон срабатывает при превышении некоторого уровня (порога срабатывания), где общий уровень сигналов приходит непосредственно к его ядру.

1 Обработка естественного языка

Обработка естественного языка – это область искусственного интеллекта, которая занимается разработкой алгоритмов и систем для понимания и генерации человеческого языка (см. рис. 1). Математическое описание обработки естественного языка включает в себя различные модели и методы, которые позволяют компьютерам анализировать, интерпретировать и реагировать на текстовые и голосовые данные [3].

Основные ключевые математические концепции и модели, используемые в обработке естественного языка:

• векторное представление слов (слова представляются в виде векторов в многомерном пространстве, где семантически похожие слова находятся ближе друг к другу, что достигается с помощью моделей, таких как Word2Vec или GloVe);
• модели последовательностей (рекуррентные нейронные сети, включая LSTM и GRU, используются для работы с последовательностями данных, такими как предложения или параграфы);
• трансформеры (это архитектура, основанная на механизмах внимания, которая позволяет моделям обрабатывать слова в контексте всего предложения, как модель BERT);
• модели классификации (алгоритмы машинного обучения, такие как SVM или нейронные сети, используются для классификации текстов, например, по тональности или теме);
• модели языкового моделирования (генерируют текст, предсказывая следующее слово в последовательности на основе предыдущих слов, что может быть реализовано с помощью n-грамм или нейронных сетей).

Математически, многие из этих методов можно описать через функции потерь, которые оптимизируются в процессе обучения, и через различные виды оптимизационных алгоритмов. Например, функция потерь кросс-энтропии часто используется для обучения классификаторов и языковых моделей.

Распознавание плоскостопия в контексте обработки естественного языка включают в себя применение алгоритмов машинного обучения и искусственного интеллекта для анализа текстовых описаний и заключений врача. Эти методы позволяют автоматизировать процесс диагностики, повышая его точность и скорость.

Основные этапы обработки естественного языка для распознавания плоскостопия включают в себя:

• предобработка данных (очистка текста от шума, нормализация слов, удаление стоп-слов и лемматизация);
• извлечение признаков (преобразование текста в числовой формат, который может быть обработан алгоритмами машинного обучения, методы которого включают в себя bag-of-words, TF-IDF, Word2Vec, GloVe);
• классификация (использование алгоритмов классификации, таких как наивный байесовский классификатор, логистическая регрессия, SVM, нейронные сети, для определения наличия плоскостопия на основе текстовых данных);
• оценка модели (проверка точности модели на тестовом наборе данных, использование метрик, таких как точность, полнота, F-мера).

Алгоритмы обработки естественного языка могут анализировать историю болезни пациента, выделяя ключевые слова и фразы, указывающие на плоскостопие. Кроме того, осуществляется извлечение информации из неструктурированных текстовых данных клинических записей, таких как описания симптомов, результаты осмотров и рекомендации врача. Также следует отметить автоматический анализ научных статей и клинических руководств для выявления последних исследований и методов лечения плоскостопия.

Также следует отметить неоднозначность естественного языка в связи с чем различные значения слов и фраз в зависимости от контекста могут затруднить точное распознавание состояний. Кроме того, существует специфика медицинской терминологии, из-за чего возникает необходимость точного понимания специализированной лексики и аббревиатур. В том числе необходимо брать во внимание интеграцию с медицинскими информационными системами для обеспечения совместимости такого рода систем с существующими медицинскими базами данных и программным обеспечением.

С улучшением алгоритмов обучения и увеличением объемов доступных данных, можно ожидать дальнейшего повышения точности и универсальности такого рода систем в задачах медицинской диагностики, включая распознавание плоскостопия.

В таблице 1 приведены среднестатистические результаты классификации обработки естественного языка для задачи распознавания плоскостопия. Эти метрики в совокупности предоставляют полную картину эффективности и надежности модели обработки естественного языка в задаче диагностики плоскостопия.

Таблица 1 – Оценка качества модели обработки естественного языка

Метрика	Значение	Описание
Точность (Accuracy)	0.94	Доля правильных ответов модели из всех прогнозов
Полнота (Recall)	0.93	Доля истинно положительных результатов из всех реальных положительных случаев
Точность (Precision)	0.95	Доля истинно положительных результатов из всех положительных прогнозов модели
F1-мера	0.94	Среднее гармоническое полноты и точности, баланс между ними
ROC AUC	0.85	Площадь под кривой ошибок, чем ближе к 1, тем лучше качество модели

2 Сегментация изображений

Сегментация изображений является ключевым компонентом в области компьютерного зрения и машинного обучения. Это процесс разделения изображения на составные части или сегменты, что позволяет анализировать и интерпретировать изображение на более детальном уровне (см. рис. 2). Существуют различные подходы к сегментации, включая традиционные методы и методы глубокого обучения [4].

Традиционные методы сегментации включают в себя [5]:

• пороговую обработку, где пиксели изображения классифицируются на основе их интенсивности;
• методы кластеризации, такие как K-means, где пиксели группируются в кластеры на основе их характеристик;
• морфологические операции, которые применяют структурные элементы для обработки изображений, например, для удаления шума или заполнения пробелов.

Методы глубокого обучения для сегментации изображений обычно основаны на сверточных нейронных сетях, которые могут автоматически извлекать признаки из изображений на различных уровнях абстракции. Среди наиболее популярных архитектур сверточных нейронных сетей для сегментации изображений выделяют:

• U-Net (имеет U-образную структуру, которая состоит из сжимающего пути для захвата контекста и расширяющего пути для точной локализации, причем широко используется в медицинской сегментации изображений);
• SegNet (включает в себя последовательность слоев кодировщика, которые захватывают контекстное представление изображения, и слоев декодера, которые восстанавливают пространственное разрешение для сегментации пикселей);
• DeepLab (использует атрофические свертки для увеличения поля зрения сверточных слоев и CRF для улучшения точности границ объектов).

Современные подходы к сегментации изображений часто используют энкодер-декодер структуры, где энкодер последовательно уменьшает размерность изображения, извлекая при этом признаки, а декодер восстанавливает пространственное разрешение и детализацию сегментов. Важным аспектом является использование skip-connections, которые помогают сохранять информацию о границах объектов при восстановлении изображения.

Математическая модель сегментации изображений обычно включает в себя формализацию процесса разделения изображения на сегменты, которые представляют различные объекты или области интереса. Основная цель состоит в том, чтобы присвоить каждому пикселю метку, указывающую на принадлежность к определенному сегменту. В контексте машинного обучения и глубокого обучения, где используются сверточные нейронные сети, математическая модель может быть представлена в виде серии операций, которые преобразуют входное изображение в набор сегментированных областей.

Эта модель позволяет сегментировать изображение, минимизируя внутреннее различие в сегментах и максимизируя различие между сегментами, а также учитывая гладкость границ сегментов.

В контексте глубокого обучения, математическая модель сегментации может быть представлена в виде функции потерь, которая оптимизируется в процессе обучения нейронной сети.

Эти математические модели являются основой для разработки алгоритмов сегментации, которые могут быть реализованы и обучены для выполнения задач сегментации на различных типах изображений.

Распознавание плоскостопия при сегментации изображений включает в себя использование алгоритмов машинного обучения и компьютерного зрения для анализа медицинских изображений, таких как рентгеновские снимки стопы. Эти методы позволяют автоматизировать процесс диагностики и улучшить точность определения данного заболевания.

Основные этапы сегментации изображений для распознавания плоскостопия:

• предобработка изображений (улучшение качества изображений путем коррекции контраста, фильтрации шумов и устранения артефактов);
• сегментация (разделение изображения на сегменты, соответствующие различным анатомическим структурам стопы, где методы сегментации включают пороговую обработку, водораздел и алгоритмы на основе сверточных нейронных сетей, такие как U-Net);
• извлечение признаков (определение характеристик сегментированных областей, таких как форма, размер и текстура, которые могут указывать на наличие плоскостопия);
• классификация (применение алгоритмов классификации для определения, соответствует ли сегментированная область нормальной анатомии стопы или показывает признаки плоскостопия).

Сверточные нейронные сети, такие как U-Net, могут быть обучены на большом наборе аннотированных изображений для выявления и сегментации анатомических структур стопы при анализе рентгеновских снимков. После сегментации стопы алгоритмы могут оценивать степень деформации посредством сравнения с нормальными параметрами стопы.

Также следует отметить вариабельность анатомических структур, где различия в анатомии стопы у разных пациентов могут усложнять процесс сегментации. Кроме того, необходимо учитывать качество изображений, так как низкое разрешение и контрастность изображений могут затруднять точную сегментацию. В том числе следует учитывать объем данных, так как для обучения эффективных моделей требуется большое количество аннотированных данных.

С улучшением алгоритмов машинного обучения и увеличением доступных данных ожидается дальнейшее повышение точности и универсальности методов сегментации изображений для диагностики плоскостопия. Исследования показывают, что модели на основе нейронных сетей, такие как U-Net, демонстрируют высокую точность сегментации и являются предпочтительным выбором для клинической практики.

В таблице 2 приведены среднестатистические результаты классификации сегментации изображений для задачи распознавания плоскостопия. Эти метрики в совокупности предоставляют полную картину эффективности и надежности модели сегментации изображений в задаче диагностики плоскостопия.

Таблица 2 – Оценка качества модели сегментации изображений

Метрика	Значение	Описание
Точность (Accuracy)	0.92	Доля правильных ответов модели из всех прогнозов
Полнота (Recall)	0.88	Доля истинно положительных результатов из всех реальных положительных случаев
Точность (Precision)	0.90	Доля истинно положительных результатов из всех положительных прогнозов модели
F1-мера	0.89	Среднее гармоническое полноты и точности, баланс между ними
ROC AUC	0.87	Площадь под кривой ошибок, чем ближе к 1, тем лучше качество модели

Список использованной литературы

1. Moghaddasi H., Mahmoudi I., Sajadi S. Comparing the Efficiency of Artificial Neural Network and Gene Expression Programming in Predicting Coronary Artery Disease // J. Health Med. Inform. 2016. Vol. 8, № 1.
2. Arabasadi Z., Alizadehsani R., Roshanzamir M., Moosaei H., Yarifard A.A. Computer Aided Decision Making for Heart Disease Detection Using Hybrid Neural Network-Genetic Algorithm // Comput. Methods Programs Biomed. 2016. Vol. 141. P. 19–26.
3. Caliskan A., Yuksel M.E. Classification of Coronary Artery Disease Data Sets by Using a Deep Neural Network // EuroBiotech J. 2016. Vol. 1, № 3. P. 271–276.
4. Ясницкий Л.Н., Думлер А.А., Полещук А.Н., Богданов К.В., Черепанов Ф.М. Нейросетевая система экспресс-диагностики сердечно-сосудистых заболеваний // Перм. мед. журн. 2011. Т. XXVIII, № 3. C. 77–86.
5. Ясницкий Л.Н., Думлер А.А., Богданов К.В., Полещук А.Н., Черепанов Ф.М., Макурина Т.В., Чугайнов С.В. Диагностика и прогнозирование течения заболеваний сердечно-сосудистой системы на основе нейронных сетей // Мед. техника. 2013. № 3(279). C. 42–43.