Оптико-электронное устройство для диагностики тромбоза глубоких вен голени Текст научной статьи по специальности «Компьютерные и информационные науки»

Статья

исследуемого объекта с координатами {у^ у2° } до ^ (у _ ^) Приоритет отдается классу с максимальным значением ^ (^) ■

Если в процессе обучения границы классов и областей пересечения имеют достаточно сложный характер, вместо опорных конфигураций используются области равной уверенности в принятии решений, а классификация идет по правилу

Ку = КР шахЦ (уи у2 )< 0, где ^ - функции принадлежности к классу 1 в области отображающего пространства с номером q■ Запись у у ) < о соответствует попаданию объекта в

8д{11’12 ) < 0

область д, определяемую границей ^ у у ) _ о^

Предложенные методы, модели и алгоритмы были реализованы с помощью автоматизированной системы, которая работает в двух режимах. В режиме обучения формируются таблицы экспериментальных данных (ТЭД) по двум типам сенсорных систем, по здоровым и больным людям для различного времени исследования в трех режимах: без обратной связи, с обратной связью и с ложной обратной связью. Далее вычисляются признаки и формируются вторичные ТЭД. Методами факторного и корреляционного анализа с использованиям мнений экспертов формируются ТЭД третьего уровня с выделенными информативными признаками. На последнем этапе с помощью алгоритма принятия решений с нечеткой логикой в двумерных классификационных пространствах определяются правила классификации испытуемых по их индивидуальным различиям и решающие правила диагностики больных с пограничными психическими расстройствами. В режиме исследования через интерфейс пользователя задаем режим исследования, тип воздействия на испытуемого, после чего реализуется программа исследования. По окончании опыта через интерфейс пользователя выдается классификационная информации и графики ошибок испытуемых.

В качестве конкретного примера исследовалась диагностическая возможность предложенных методов и средств на отделение здоровых людей от людей с пограничными психическими расстройствами. В результате обучения на выборке объемом 50 объектов на класс было получено отображающее пространство ф _ УіхУ2 с отображающими правилами вида:

У1=Хб+0,3Хт+0,3Х8-У2=

=,6Х9+0,4Хі0+0,4Хп+0,3Хі2+0,4Хіз+0,2Хі4+0,1Хі5.

На рис. 2 показан вид отображающего пространства.

У2

©2

15 25 35 45 55

Рис. 2 Пространство принятия решений

У1

Здесь ю, - практически здоровее люди, ©2 - люди, страдающие пограничными психическими заболеваниями, ю и Ю4 -переходные области с зарождающимися патологическими процессами, которые ближе к классу здоровых, но если не обеспечить соответствующую профилактику, у них существует высокий риск перейти в класс патологий. Пунктиром обозначены переходные зоны между классами, для которых получены выражения для расчета коэффициентов уверенности.

Синтезированные правила принятия решений проверялись на контрольной выборке в 50 человек на класс. В результате установлено, что 90% испытуемых при попадании в области классов ю,^ю4 классифицируются с уверенностью в принятии решения равной единице. Так же решалась задача диагностики соматоформной вегетативной дисфункции с вероятностью правильной классификации не хуже 0,92.

Литература

1. Анохин П.К. Очерки по физиологии функциональных систем.- М.: Наука, 1972- 372с.

2. Кореневский Н.А. Обучение классификации в режиме диалога /Курск:ПИ.- ОФАП, ВНИИМТИ; инв. №5348939.1983.-116 с.

3. Кореневский Н.А. и др. Полифункциональная система интеллектуальной поддержки принятия решений для медикоэкологических приложений.- Курск: КГТУ, 2004.- 180 с.

УДК 681.327.12

ОПТИКО-ЭЛЕКТРОННОЕ УСТРОЙСТВО ДЛЯ ДИАГНОСТИКИ ТРОМБОЗА ГЛУБОКИХ ВЕН ГОЛЕНИ

С.В. ДЕГТЯРЕВ, С.Ю. МИРОШНИЧЕНКО*

Автоматизированные системы диагностики получили широкое распространение. Наиболее перспективным является использование оптико-электронных датчиков, позволяющих проводить быструю высокоэффективную бесконтактную диагностику. Использование ряда датчиков изображений в позволяет повысить точность диагностики за счет восстановления трехмерной картины исследуемого объекта. В основу оптикоэлектронного устройства для диагностики тромбоза глубоких вен голени положен принцип вычисления соотношения объемов голени до и после пережатия поверхностных вен компрессионной манжетой. Объем голени вычисляется суммированием объемов элементарных тетраэдров, составляющих голень. Ядром устройства является цифровой сигнальный процессор, выполняющий выделение контуров голени, определение 3-мерных координат опорных точек и формирование 3-мерной поверхности по изображениям от трех датчиков, вычисление объема голени. Устройство содержит (рис. 1) датчики изображения (ДИ1, ДИ2, ДИ3), управляемые логическими сигналами ключи (К1, К2, К3), блок выделения кадрового и строчного импульсов (БВКСИ), аналого-цифровой преобразователь (АЦП), контроллер ввода данных (КВД), цифровой сигнальный процессор (ЦСП), оперативное запоминающее устройство (ОЗУ), блок индикации (БИ). '

Рис. 1. Структурная схема устройства

Изображения голени фиксируется ДИ1, ДИ2 и ДИ3, переводящими их в телевизионный сигнал, поступающий через соответствующие ключи на входы БВКСИ и АЦП. При появлении кадрового синхроимпульса БВКСИ формирует сигнал начала кадра, по которому КВД переводит ЦСП в состояние ожидания подтверждения данных. По окончании строчного синхроимпульса каждой из строк первого полукадра КВД выдает на вход ЦСП сигнал подтверждения данных, по которому ЦСП выполняет последовательное считывание строк изображения с выхода АЦП в ОЗУ. При появлении следующего импульса начала кадра ЦСП выполняет ввод второго полукадра. На каждом из трех изображений, получаемых от датчиков ДИ1 - ДИ3, ЦСП производит выделение контуров с помощью оператора Канни [1], содержащего 4 этапа. На первом этапе выполняется фильтрация исходного изображения / (х,у) с помощью низкочастотного фильтра Гаусса, который предназначен для подавления шумов на изображении и выравнивания яркостей контурных линий объектов.

Процесс фильтрации полутонового изображения у (х у)

описывается следующим выражением

305040, г. Курск, ул. 50 лет Октября, 94, КГТУ, тел. (4172) 564453

5

Краткое сообщение

где

Gd (г,а) =

f (ХУ)=> > Gn(r,a)-f(i,j),г(х-if +(y-j)2,

i j

- функция отклика фильтра Гаусса, а -

1

2 пег2

его среднеквадратическое отклонение. Для цифровых изображений с размерами Мх^ точек процесс фильтрации представляется в виде свертки функции яркости изображения с маской Оп, которая является дискретной аппроксимацией фильтра Гаусса с о=1,4:

Г(х у) = 775 ЕЕ Г(х +}- 3 У+'- 3)' , х =1 м, У =1 ^

Gd =[ gD, ] =

4

9

12

9

4

На втором этапе ведется пространственное дифференцирование отфильтрованного изображения / (х,у) для выделения перепадов яркости, соответствующих границам объектов на изображении. Для дифференцирования используется масочный оператор Собела, имеющий наилучшую реакцию на ступенчатый перепад [2]. Оператор Собела имеет две маски Н] и Н2, реагирующие на горизонтальный и вертикальный перепады яркости. В итоге формируются два поля: поле величин g(x,y), содержащее модули перепадов яркости, и поле направлений \{х,у) , содержащие для каждой точки исходного изображения угол наклона прямой, соответствующий направлению перепада яркости, к оси абсцисс. Формирование полей g (х,у) и V (х,у) выполняется как

g( х, у) = д/ ^12( х, у)+ ^( х, у) ,

у(х, у) = агcгg|^ ±

4(х,у)=/(ху)• Ні =ЕЕ/’(х+і-2 у+к-2)'і’'=1,2, і=1 ¿=1

h A3' '1 0 -1 А /2 A,' ' 1 2 1 ]

H= А, /4 = 20 -2 ’ H = А /22 A3 = 0 0 0

А2 & 1 0 -1 А A2 A3 -1 -2 -1

На 3-м этапе ведут полутоновую скелетизацию поля g (x,y), называемого градиентным изображением, для формирования скелетного градиентного изображения, где контурные линии объектов удовлетворяют условию односвязности [2]. На изображении g (x,y) удаляются точки, яркости которых <яркостей двух соседних точек в направлении антиградиента контурной линии

,, , ¡g&y), (g(x,y)>gx+ji,y+h))>gx+j2,y+i2))

g (xy) = ,

[Q^x y) <g(x+jl,y+i))v(g(x,y)<g(x+j2, y+i2)) где приращения координат ij, i2,ji,j2 определяются как ij = int(sin(v(x,y))), i2 = -ij,

j = int(cos(v(xy))), ) = -jj.

Заключительным этапом является бинаризация скелетного градиентного изображения g’(x,y) с помощью глобального порогового оператора с гистерезисом. Оператор использует 2 пороговых величины Ті и Т2 (Т2 >Ті), пороговое значение Т2 применяется при переходе от однородной области к контуру, а значение Тj

- при обратном. Если в 8-связной окрестности рассматриваемой точки найдется хотя бы одна точка контура, то использу.п значение порога Ті, иначе - Т2. Бинарное изображение b(x,y):

b( ) IX g'(x, y) >T (x y,b) Ты

b(x, y) H , x = 1, M, y = 1, N,

[0, g' (x, y) < T (x, y, b)

T( b( )) |т1, 3i,j(b(x+i,y+j) =j) . -n . -n

Tix, y,b(x, y)) = << , i = -1,1,i = -1,1,

^T2 , ^І, j (b(x + U y + j) = 0 )

Пороговая величина Т2 определяется с помощью метода От-су [3], величина Ті - с помощью а-метода с коэффициентом детализации к = 1 [4]. Пример выделения контура голени на изображении см. на рис. 2, где на 2,а - исходное полутоновое изображение голени, на 2,б - бинарное контурное изображение.

а) б)

Рис. 2. Выделение контуров голени

По окончании процедуры выделения контуров на трех изображениях голени, полученных от ДИ1 - ДИ3, выполняется определение 3-мерных координат опорных точек, формирование 3-мерной поверхности голени и вычисление ее объема как суммы объемов элементарных тетраэдров, составляющих голень.

Затем в области подколенной ямки накладывается компрессионная манжета с давлением 40 мм рт. ст. до полного прекращения кровотока по поверхностным венам. Через 5 минут производится повторное измерение объема голени с выводом разности объемов до и после пережатия поверхностных вен на блок индикации. Если увеличение объема после пережатия поверхностных вен >15%, то диагностируется тромбоз глубоких вен голени.

Устройство позволяет проводить в течение 15 мин. неива-зивную диагностику тромбоза глубоких вен голени, имеет высокую мобильность (масса 0,5 кг) и низкую стоимость (5 тыс. руб.) по сравнению с аналогами на базе ПК или ноутбука.

Литература

1. Canny J.F. // IEEE Trans. Pattern Recognition and Machine Intelligence.- 1986.- Vol. 8, №6.- P. 679-698.

2. Методы цифровой обработки изображений / С.В. Дегтярев и др..- Курск: КурскГТУ, 2001.- 167с.

3. Otsu N. // IEEE Trans. Syst . Man Cybern.- 1979.- Vol. 9, №1.- P. 62-66.

4. Miroshnichenko S.Yu.et al. // Pattern Recognition and Image Analysis.- 2005.- Vol. 15, №1.- P. 249-251.

УДК 681.3

АЛГОРИТМ ВОССТАНОВЛЕНИЯ ПРОБЕЛОВ В МАССИВЕ

МЕДИЦИНСКИХ ДАННЫХ БОЛЬНЫХ БРОНХОЛЕГОЧНОЙ НЕДОСТАТОЧНОСТЬЮ

Е.В. АНДРЮНЬКИНА, В.И.ФЕДЯНИН*

Специфика медицинских данных такова, что далеко не всегда удается собрать по каждому больному все параметры, необходимые для работы. Это вызвано множеством факторов, к которым можно отнести человеческий фактор (например, очевидность для опытного врача результатов некоторого теста на основании известных результатов остальных тестов и анализов), экономический фактор (например, нехватка или нецелесообразность использования средств на проведение дорогостоящих анализов и проб для каждого больного) и другие. В результате при сборе исходной информации для построения модели исследователь часто сталкиваются с ситуацией, когда в данных возникают «пробелы». В то же время медицинские данные характеризуются избыточностью. Опытный врач в ряде случаев может на основе интуиции предсказать результаты того или иного исследования на основе анализа предыдущих. Аналогичную задачу можно решить и с помощью нейросетей-аппроксиматоров.

В ходе сбора исходной информации имело место большое количество пробелов в данных, в связи с чем требуется определить оптимальную очередность восстановления полей с пробелами для обеспечения наибольшей достоверности восстановления таблицы в целом. Общая доля пробелов по параметрам больного составляет 8,175%, а по некоторым полям доля пробелов достигает 40-46%. В то же время 10 полей вообще не имеют пробелов и 12 полей содержат не более 10 пробелов (то есть <2% от общего количества записей содержат пробелы по этим полям). По теории нейросетей достоверность предсказания в общем случае

394026, г. Воронеж, Московский проспект 14, Воронежский государственный технический университет