Штучний інтелект

Анотація: Нейронні мережі широко застосовуються в медичних діагностичних процесах. Результати обробки зображень, отримані з медичних приладів, можна аналізувати багатьма способами. Один з них - це аналіз текстури отриманих зображень. Вивчення текстур діагностичних зображень ґрунтується на визначенні конкретних параметрів та характеристик досліджуваної тканини або органу. Основна мета полягає в тому, щоб класифікувати аналізовану ділянку як одну з двох основних груп: як здорову тканину або тканину з патологічними змінами. Використовуючи контрольовану класифікацію та налаштовану навчальну базу, можна досягти точності результатів класифікації 93%.

Ключові слова:

Посилання:

1. Tadeusiewicz R., Śmietański J., Acquiring medical images and their processing, analysis, automaticrecognition and diagnostic interpretation, Publisher of the Student Scientific Society, Krakow 2011.
2. Materka A., Strumiłło P., Introduction to computer image analysis, Lódź University of Technology, Łódź 2009.
3. Strzelecki M., Materka A., Texture of biomedical images. Methods of computer analysis, PWN, Warsaw 2017.
4. Tamura H., Mori S.,Yamawaki T., Textural features corresponding to visual perception, IEEE Trans. OnSystems, Man, and Cybernetics, SMC-8, 1978. – 460 s.
5. Materka A., What is the texture?, in: Hajek M., Dezortowa M., Materka A., Lerski R. (eds.) Textureanalysis of magnetic resonance imaging, COST B21, Med4Publishing, Prague, 2006.
6. Materka A., Strzelecki M., Texture analysis methods: A review, Brussels, COST B11 Report, 1998.
7. Lazarek J., Image analysis methods - mammogram image analysis based on features determined fromtexture, Information Technology, Automation Measurements in the Economy and EnvironmentalProtection 4, 2013. – 10 s.
8. Lazarek J., Szczepaniak P.S., Tomczyk A., Method of Pattern Detection in Mammographic Images,Intelligent Systems in Technical and Medical Diagnosis, Eds. Józef Korbicz, Marek Kowal. Springer,2014. – 235 s.
9. Huang Y., Wang K., Chen D., Diagnosis of breast tumors with ultrasonic texture analysis using supportvector machines, Neural Comput&Applic, 15, 2006. – 164 s.
10. Titus A., Nehemiah H., Kannan A., Classification of interstitial lung disease using particle swarmoptimized support vector machines, International Journal of Soft Computing, 10, 2015. – 25 s.
11. Usman, K., Rajpoot, K., Brain tumor classification from multi-modality MRI using wavelets and machinelearning, Pattern Analysis and Applications, 20 (3), 2017. – 871 s.
12. Kondo T., Ueno J., Takao S., Medical Image Analysis of MRI Brain Images by Deep RBF GMDH-typeNeural Network Using Principal Component-Regression Analysis, 2015 IIAI 4th International Congresson Advanced Applied Informatics, 2015. – 586 s.
13. Omiotek Z., Automatic thyroid ultrasound image classification, doctoral dissertation, Lublin Universityof Technology, 2014.
14. Duda D., Krętowski M., Bézy-Wendling J., Extraction of textural features in the classification of livertomographic images, Scientific Papers of Bialystok Technical University, Information technology, 2, 2007.
15. Mala K., Sadasivam V., Automatic Segmentation and Classification of Diffused Liver Diseases usingWavelet Based Texture Analysis and Neural Network, Annual IEEE INDICON Conference, 2005. -216.
16. Orgiela M., R., Tadeusiewicz R., Modern computational intelligence methods for the interpretation ofmedical images, Springer, 2008.
17. Snitkowska E., Analysis of textures in digital images and its application to angiographic images, doctoralthesis, Warsaw University of Technology, 2004.
18. Haralick R.M., Shanmugam K., Dinstein I., Textural Features for Image Classification, IEEETransactions on Systems, Man and Cybernetics, Vol. SMC- 3 (6), 1973. – 610 s.
19. Strzelecki, M., Image texture segmentation using neural oscillation and statistical methods, TechnicalUniversity of Lodz, 336, 2004. – 3 s.
20. Krzyśko M., Wołyński W., Górecki T., Skorzybut M., Learning systems. Pattern recognition clusteranalysis and dimensionality reduction. Scientific and Technical Publishers, Warsaw, 2008.