CC BY
34
УДК 004.934.1'1
Е.Е. ФЕДОРОВ, И. СЛЕСОРАЙТИТЕ
МЕТОДИКА ИНТЕЛЛЕКТУАЛЬНОЙ ДИАГНОСТИКИ ЗРИТЕЛЬНОГО АНАЛИЗАТОРА
Abstract. In the article a method of intellectual diagnostics of the visual analyzer based on connection models and theory of pattern recognition was offered. The method includes: detection and formalization of relations between indications scanning laser polarimetry (SLP) and indications retrobulbar hemodynamics (RH); synthesis of neuronet structure and its mathematical model; identification of parameters of model; creation of а functional of the purpose; development of procedure of the prognosis. For an offered technique the outcomes of numerical research are resulted.
Key words: method of intellectual diagnostics of the visual analyzer, scanning laser polarimetry, retrobulbar hemodynamics, neuronet SFNN-2, functional of the purpose, procedure of the prognosis.
Анотація. У статті запропонована методика інтелектуальної діагностики зорового аналізатора, заснована на конекціоністських моделях і теорії розпізнавання образів. яка містить у собі виявлення й формалізацію залежностей між ознаками лазерної поляриметрії, що сканує (SLP), і ознаками ретробульбарної гемо-динаміки (RH); синтез структури нейромережі і її математичної моделі; визначення параметрів моделі; створення функціоналу мети; розробку процедури прогнозу. Для запропонованої методики наводяться результати чисельного дослідження.
Ключові слова: методика інтелектуальної діагностики зорового аналізатора, лазерна поляриметрія, що сканує, ретробульбарна гемодинаміка, нейромережа SFNN-2, функціонал мети, процедура прогнозу.
Аннотация. В статье была предложена методика интеллектуальной диагностики зрительного анализатора, основанная на коннекционистских моделях и теории распознавания образов. которая включает в себя выявление и формализацию зависимостей между признаками сканирующей лазерной поляриметрии (SLP) и признаками ретробульбарной гемодинамики (RH); синтез структуры нейросети и ее математической модели; определение параметров модели; создание функционала цели; разработку процедуры прогноза. Для предложенной методики приводятся результаты численного исследования.
Ключевые слова: методика интеллектуальной диагностики зрительного анализатора, сканирующая лазерная поляриметрия, ретробульбарная гемодинамика, нейросеть SFNN-2, функционал цели, процедура прогноза.
1. Введение
Актуальность. В настоящее время актуальной является разработка интеллектуальных систем, предназначенных для выявления дефектов сетчатки и артерий глаза.
Состояние вопроса. Современные исследования зрительного анализатора [1, 2] не используют модели и методы искусственного интеллекта и, в частности, нейронные сети. С другой стороны, существующие архитектуры нейросетей не в полной мере решают задачу глазной диагностики.
Постановка задачи. Для повышения надежности обнаружения глаукомы необходимо предложить методику интеллектуальной диагностики зрительного анализатора.
2. Показатели состояния сетчатки и артерий глаза и структура авторской методики
Сетчаточная толщина слоя зрительного нерва анализируется путем сканирующей лазерной поля-риметрии (ЭЬР). Стандартные показатели БЬР: средняя височная, верхняя, носовая, нижняя толщина слоя зрительного нерва (ТБЫИ) и показатель зрительного нерва (ИРІ).
Состояние артерий глаз (ретробульбарная гемодинамика (РИ)) оценивается на основе цветового допплеровского изображения (ОРІ). Стандартные показатели ЄРІ:
- пиковая систолическая скорость (ОА_РБУ), конечно-диастолическая скорость (ОА_БРУ), показатель пульсации (ОА_РІ) и показатель удельного сопротивления (ОА_РІ) в глазной артерии (ОА),
© Федоров Е.Е., Слесорайтите И., 2010
ISSN 1028-9763. Математичні машини і системи, 2010, № 3
- пиковая систолическая скорость (CRA_PSV), конечно-диастолическая скорость (CRA_EDV), показатель пульсации (CRA_PI) и показатель удельного сопротивления (CRA_RI) в центральной сетчаточной артерии (CRA);
- пиковая систолическая скорость (SPCA_PSV), конечно-диастолическая скорость (SPCA_EDV), показатель пульсации (SPCA_PI) и показатель удельного сопротивления (SPCA_RI) в короткой последующей реснитчатой артерии (SPCA).
Существующие зависимости между показателями состояния сетчатки и артерий в настоящее время формализованы неполно. С другой стороны, для повышения вероятности правильного диагностирования и повышения скорости принятия решения требуется разработка математической модели прогноза.
Таким образом, возникает необходимость в создании методики диагностики зрительного аппарата человека, базирующейся на подходах искусственного интеллекта и включающей в себя следующие этапы:
- выявление и формализация зависимостей между показателями;
- синтез структуры нейросети и ее математической модели;
- определение параметров модели;
- создание функционала цели;
- разработка процедуры прогноза;
- численное исследование.
3. Выявление и формализация зависимостей между показателями
На основе экспериментальных данных были построены графики зависимостей между CRA_EDV и NFI, TSNIT (рис. 1-3), CRA_RI и NFI, TSNIT (рис. 4-6), SCPA_RI и NFI, TSNIT (рис. 7-9) на трех этапах: перед началом лечения (Baseline), после 6 месяцев лечения (6MO), после завершения лечения (Healthy).
Зависимости, которые приведены на рис. 1-3, близки к квадратичным и поэтому могут быть описаны следующим уравнением:
y = Ъ0 + Ъх х + b2 х2. (1)
Зависимости, которые приведены на рис. 4-9, близки к линейным и поэтому могут быть описаны следующим уравнением:
y = Ъ0 + Ъ х . (2)
Как следует из рис. 1-9, наблюдается:
- прямая нелинейная зависимость между NFI и CRA_EDV;
- обратная нелинейная зависимость между NFI и CRA_RI;
- прямая линейная зависимость между NFI и SCPA_RI;
- обратная линейная зависимость между TSNIT и CRA_EDV;
- прямая линейная зависимость между TSNIT и CRA_RI;
- обратная линейная зависимость между TSNIT и SCPA_RI;
- NFI от этапа к этапу убывает;
- TSNIT от этапа к этапу возрастает;
- CRA_RI и SCPA_RI оказывают на NFI и TSNIT большее влияние, чем CRA_EDV.
NFI, TSNIT
СО СО СЛ О О
Рис. 1. Зависимость между CRA_EDV и NFI, TSNIT перед началом лечения
NFI, TSNIT
счсчсосо^^ююсо
СО СО о о о
Рис. 3. Зависимость между CRA_EDV и NFI, TSNIT после завершения лечения
NFI, TSNIT
80 -
70
60
50
40
30
20
10
0
6MO
♦ %.
* .•%
♦ ♦♦
> NFI TSNIT
CNCNCOCO'^'^LOCDCD
СО СО (Л О О
Рис. 2. Зависимость между CRA_EDV и NFI, TSNIT после 6 месяцев лечения
NFI, TSNIT
80 -
70 60 -50 -
40
30 20 -10 0
Baseline
♦ ♦ •
Ф ♦ 4
♦ ♦♦
♦ ф л
♦
► NFI TSNIT
♦ ♦♦ 4 ♦ ♦<
000000000
Рис. 4. Зависимость между CRA_RI и NFI, TSNIT перед началом лечения
NFI, TSNIT
80
70 -
60 -
50 -
*
40 -
ф ♦ <
30 -
20 -
10 -
0
Healthy
ч»4
о-4
► NFI TSNIT
-H*hn CRA_RI
000000000
ООЭч-Г-СО<Л'':ГОаЭч-Г-СОа}''::ГОаЭч-Г-ЮЮОЭСОГ-Г-СОС^С^ООч-ч-СЧСОСО'':*'':* CD CD CD O" CD CD CD CD CD ч-' -r-" -r-" -r-" t-' -r-' -r-' -r-' -r-'
Рис. 5. Зависимость между CRA_RI и NFI, TSNIT после 6 месяцев лечения
Рис. 6. Зависимость между CRA_RI и NFI, TSNIT после завершения лечения
CRA RI
NFI, TSNIT
80 -
NFI, TSNIT
80 -i
Baseline
♦ *♦ ♦
70 -60 50 -40 -
30 - ♦ ♦ ♦ А ♦ ♦ . ♦♦ ♦ ♦ NFI 30 - ♦ NFI
* ♦ ♦ ■ TSNIT ♦ ■ TSNIT
♦♦ ♦ ► ♦ ♦
20 -10 -0
6MO
000000000
ООЭч-^-сОО^'':ГОаЭч-^-сОО^'':ГОаЭч-^-
ЮЮСОСОГ-Г-СОС^С^ООч-ч-СЧСОСО'':*'':*
О" О" O" O" o" O" O" O" CD ч-" -^" -^" ^-" ^-" Ч-" ^-" ^-" ^-"
Рис. 7. Зависимость между 8СРА_Ш и ЫР!, Т8Ы!Т Рис. 8. Зависимость между 8СРА_И и ЫР!, Т8Ы!Т
перед началом лечения после 6 месяцев лечения
Healthy
► NFI | TSNIT
СО O ■’t О <D
СО О О CD
CN СО СО
Рис. 9. Зависимость между 8СРА_Ш и ЫР!, Т8Ы!Т после завершения лечения
Для нахождения параметров Ь0,Ьг,Ь2 уравнений (1) и (2) использовался метод наименьших
квадратов. В результате была получена следующая таблица.
Таблица 1. Параметры уравнений зависимостей
70
60
50
40
0
Вид зависимости b0 b1 b2
NFI(CRA_EDV), Baseline 28 -9 1
NFI(CRA_EDV), MO6 28>5 -9>3 1
NFI(CRA_EDV) Healthy 32 -11 1
NFI(CRA_RI). Baseline 86"75 -52>5 0
NFI(CRA_RI) MO6 84 -50 0
NFI(CRA_RI) Healthy 62 -40 0
NFI(SCPA_RI) Baseline -18>25 52"5 0
NFI(SCPA_RI) MO6 -16 50 0
NFI(SCPA_RI) Healthy -18 40 0
TSNIT(CRA_EDV) Baseline -25 21 -1>3
TSNIT(CRA_EDV) MO6 -20 20"7 -1>3
TSNIT(CRA_EDV) Healthy 20 18 -1>3
TSNIT(CRA_RI) Baseline 28 22 0
TSNIT(CRA_RI) MO6 28"5 25 0
TSNIT(CRA_RI) Healthy 32"5 31 0
Продолж. табл. 1
TSNIT(SCPA_RI), Baseline 72 -22 0
TSNIT(SCPA_RI), MO6 78,5 -25 0
TSNIT(SCPA_RI), Healthy 94,5 -31 0
4. Синтез структуры нейросети и ее математической модели
Уравнения зависимостей (1) позволяют создать структуру авторской двухслойной нейросети с однородными слоями 8РЫЫ-2 (рис. 10) для прогноза ЫР! или Т8Ы!Т для любого из четырех этапов, т.е. можно создать восемь нейросетей.
На нейроны входного слоя подаются три показателя -СРА_ЕРУ, СРА_Р! и 8СРА_Р!. На нейроны первого слоя подаются нейросети 8рЫЫ-2 ыр! или Т8Ы!Т, вычисленные по соответствующему показателю,
согласно (1) и (2). Выходом нейросети является обобщенное ЫР! или Т8Ы!Т для определенного этапа.
На основе структуры нейросети создается следующая модель прогноза:
N(1)
^ = Л(^ + <>х(0) + ^х(0)х(0))) . (3)
5. Определение параметров модели
Параметры (весовые коэффициенты) модели нейросети (3) определяются следующим образом:
ft(0) := bni, w1f := К , w2f := b„., i e 1, N(0) ,
где N(0) = 3 ;
6>(1) := 0 , wd :=—^, i el,N(1) ,
1 21 n(1)
где
N(1) = 3.
6. Создание функционала цели
Для модели нейросети (3) создается следующий функционал цели:
1 N
F = N 2 ( У model (n) - ^object (П))2 ^ ПИП ■ (4)
n=1
где yobject - ожидаемое (измеренное на объекте) значение, N - количество реализаций.
7. Разработка процедуры прогноза
На основе математической модели (3) создается процедура прогноза, включающая в себя следующие шаги.
1) Вычисление выходного сигнала для первого слоя:
51 := 6>1(0) + н0(0> х1(0) + w2l01'> х(0'>х(0'>, я2 := в2> + н'О0? х^0), £3 := #3(0) + ^ОЗЗ х30),
2=1
xf} = /(s,) = Г^7 , / e 1, N(0) ,
[0, other
где smin, smax - минимальное и максимальное значения.
2) Вычисление выходного сигнала для второго (выходного) слоя:
N(1)
s = в? + Z<}Х0) ,
,=1
,/ч \s, smin < s < smax
У model = f2(s) = 1A ,
[0, other
где smin, smax - минимальное и максимальное значения.
Если результаты работы процедуры прогноза не удовлетворяют условию
1 N
N Е (У model (n) - yobject (n))2 < S , (5)
N n=1
где s = 0,001, то берется новая выборка данных, заново вычисляются параметры зависимостей и соответственно параметры модели прогноза, и процедура прогноза повторяется.
8. Численное исследование
Для сопоставления разработанной нейросети SFNN-2 с многослойным персептроном (MLP) и радиально-базисной сетью (RBF) было проведено численное исследование. Длина тестовой выборки определялась как N = 100 .
Структура MLP и RBF была определена следующим образом:
- количество нейронов во входном слое - N(0) = 3 ;
- количество нейронов во втором (выходном) слое - N(2) = 1;
- количество нейронов в первом слое определяется согласно условию [3]:
. + I II Л/ V"' _1_ Л/ V'--' _L I I _L ЛГ(2)
" N(2) • N " < N(1) <
1 + log2 N
N(2) ^ NL + l)N(G) + N(2) +1)+ N(
т.е. 13 < N(1) < 405 . В статье выбиралось среднее количество, т.е. N(1) = 200.
Качество прогноза оценивалось по функционалу
т
3 = —100% , (6)
п
где т - количество правильных прогнозов, п - общее количество прогнозов.
Результаты исследования приведены в табл. 2. Как видно из табл. 2, наибольшую вероятность правильного прогноза имеет авторская сеть 8РЫЫ-2.
Таблица 2. Вероятность правильного прогноза
Название нейросети Вероятность правильного прогноза, %
SFNN-2 99
MLP 85
RBF 76
9. Выводы
Новизна. В статье была предложена методика интеллектуальной диагностики зрительного анализатора, базирующаяся на коннекционистских моделях и теории распознавания образов. Повышение вероятности правильного диагностирования и повышение скорости принятия решения достигалось за счет использования авторской нейросети SFNN-2, которая для учета нелинейных зависимостей между фактором и откликом в первом слое использует квадратичный сумматор.
Практическое значение. Основные положения данной работы предназначены для реализации в интеллектуальных системах диагностики зрительного анализатора.
СПИСОК ЛИТЕРАТУРЫ
1. Acute IOP elevation with scleral suction: effects on retrobulbar haemodynamics / А. Harris, К. Joos, М. Kay [et al.] // British Journal of Ophthalmology. - 1996. - Т. 80, N 12. - P. 1055 - 1059.
2. The Effect of Dehydration and Fasting on Ocular Blood Flow / U.U. Inan, A. Yucel, S.S Ermis [et al.] // Journal of Glaucoma. - 2002. - Т. 11, N 5. - Р. 411 - 415.
3. Горбань А.Н. Нейронные сети на персональном компьютере / А.Н. Горбань, Д.А. Россиев. - Новосибирск: Наука, 1996. - 276 с.
Стаття надійшла до редакції 25.12.2009
