Диссертации и авторефераты Украины
Перейти на каталог
Каталог диссертаций

Я ищу:
Диссертация / Автореферат

Диссертационная работа:

Мисник Анатолій Васильович. Аналіз одновимірних та двовимірних діагностичних даних методами штучних нейронних мереж : Дис... канд. фіз.-мат. наук: 03.00.02 / Київський національний ун-т ім. Тараса Шевченка. — К., 2004. — 156арк. — Бібліогр.: арк. 147-155.

Скачать диссертацию *

* Ссылка размещена на правах рекламы



Аннотация к работе:

Мисник А.В. Аналіз одновимірних та двовимірних діагностичних даних методами штучних нейронних мереж. Рукопис.

Дисертація на здобуття наукового ступеня кандидата фізико-математичних наук за спеціальністю 03.00.02 біофізика, фіз.-мат. науки. Харківський національний університет імені В.Н. Каразіна, Харків, 2004.

Дисертація присвячена моделюванню нейросистем за допомогою штучних нейронних мереж і практичному їх використанню для аналізу біофізичних експериментальних даних та розпізнавання патології. Доведено, що проблему локального мінімуму для штучних нейронних мереж можна вирішити за рахунок регуляризації рішення мережі шляхом використання додаткових міжнейронних зв’язків, а також градієнтного методу ініціалізації і оптимізації ентропії. На основі розроблених в роботі методів аналізу експериментальних даних створено та апробовано метод оцінки стану паренхіматозних органів та спосіб експертної діагностики за біофізичними даними. Експериментально показано, що при аналізі паталогічних станів норма розпізнається краще і ймовірність розпізнавання слабко залежить від граничних умов системи для ультразвукових, магніторезонансних зображень і даних спектральних досліджень.

В дисертаційній роботі вперше запропоновано метод аналізу текстурних характеристик ультразвукових і томографічних медичних зображень і класифікації біофізичних даних для експертної діагностики за допомогою штучних нейронних мереж. Найбільш суттєві висновки з роботи зводяться до наступного:

1. Для вирішення проблеми вибору кількості нейронів і шарів в мережі розроблено оригінальну штучну нейронну мережу, яка містить новий тип нейрону з інвертованими виходами і контролюючим входом. Проблема локального мінімуму вирішена за допомогою методу оптимізації ентропії.

2. Для підвищення стійкості і збільшення діагностичної ефективності методу на основі мережі Кохонена вперше запропоновано використовувати метод градієнтної ініціалізації вагових коефіцієнтів і інгібіруючі міжнейронні з’єднання.

3. Вперше встановлено текстурні характеристики, які дають високу діагностичну ефективність і високу якість сегментації зображень: автокореляція, зворотна різниця, момент інерції, дисперсія, коефіцієнт асиметрії, ентропія, а також отримано пари характеристик, які дають найвищу ефективність. Отримані результати свідчать про зв'язок патології з вказаними текстурними характеристиками.

4. Вперше встановлено, що ефективність розпізнавання норми для різних типів вхідних даних слабко залежить від кількості навчальних даних, що може бути пояснено малою варіабельністю біофізичних і діагностичних параметрів в гомеостазі; мінімальна кількість навчальних даних для стійкої класифікації за допомогою розроблених мереж в декілька разів менше ніж для інших алгоритмів.

5. Запропонований метод експертної діагностики на основі штучних нейронних мереж дозволяє досягнути високої діагностичної ефективності для ультразвукових медичних зображень щитовидної залози і томографічних зображень мозку, яка перевищує на 90% і на 15% вище ефективності інших автоматизованих методів. Аналіз за декількома текстурними параметрами одночасно дозволяє отримати ефективність на рівні 98% для тих же самих текстурних характеристик.

6. Методами штучних нейронних мереж встановлено наявність змін в спектрі опромінених ДНК, що свідчіть про зміни структури молекул. Зі збільшенням дози спостерігаються більш помітні зміни в положенні максимуму інтенсивності і напівширини смуги; метод штучних нейронних мереж генерує більшу похибку для опромінених зразків порівняно з референтними зразками, що свідчить про наявність пошкоджень.

7. Запропоновано оригінальний алгоритм сегментації томографічних і ультразвукових зображень за допомогою самоорганізуючих нейронних мереж, отримано чітке розділення тканин.

8. Для методу експертної діагностики за електрокардіограмами найкращі результати отримано для захворювання комбінованої гіпертрофії обох шлуночків серця; діагностична ефективність перевищує 85%. Встановлено, що для підвищення діагностичної ефективності методу нейронних мереж для навчання системи необхідна попередня обробка і фільтрація даних біоелектричних досліджень з метою усунення неінформативних ділянок і артефактів, або навчання за відібраними даними.

Список опублікованих праць за темою дисертації.

1. А.В.Мисник, М.К.Новоселець. Діагностика захворювань щитовидної залози за статистичними параметрами її ультразвукових зображень за допомогою самоорганізуючих нейронних мереж // Вісник КУ, серія фіз.-мат. науки. -1998. - Вип. № 3. - С. 339-348.

2. А.В.Мысник, М.К.Новоселец. Анализ текстур медицинских ультразвуковых и томографических изображений с помощью нейронных сетей // Вісник ХУ, Біофізичний вісник. - 1999. -№434, Вип. 3(1). - С.107-111.

3. А.Л.Луговик, А.В.Мысник, М.К.Новоселец. Анализ текстур медицинских УЗ-изображений с помощью нейронных сетей // Український журнал медичної техніки і технології. - 2000. - №1-№2. - C.40-44.

4. G.I.Dovbeshko, E.B.Kruglova, O.P.Pashcuk, M. Alesina, N.Ya.Karpenko, A.Mysnyk, M.Novoselets. FTIR spectroscopy studies of DNA from low-dose irradiated tissue // Вісник ХУ, Біофізичний вісник - 2000. - №497, Вип. 2(7). - C.65-74.

5. А.В.Іванчук, А.В.Мисник, М.К.Новоселець. Нелінійний ентропійний аналіз медичних даних за допомогою нейронних мереж з метою сегментації магніторезонансних та ультразвукових зображень // Вісник КУ, серія фіз.-мат. науки. - 2001. - Вип. №1. - C.330-338.

6. A.Mysnik, M.Novoselets. Ultrasound and magnetic resonance medical images textures analysis using neural networks // Conf. on Physics of Biological Systems (PBS98), Kyiv. - 1998 - P.71-77.

7. A.V.Mysnyk. Ultrasound and magnetic resonance medical images textures analysis using neural networks // Proc. of the First International Young Scientists’ Conf. on Applied Physics, Kyiv. - 2001. - P.148-149.


Меню
Реклама



2006-2009 © Диссертации и авторефераты Украины