CC BY
57
УДК 004.83:004.8.032.26
ПРИМЕНЕНИЕ ГИБРИДНЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ДИАГНОСТИКИ Артюшков Алексей Юрьевич, магистр Булатников Валентин Альбертович, магистр Юго-Западный государственный университет, г.Курск
Брежнев Алексей Викторович, к.т.н., доцент кафедры информатики
РЭУ им. Г.В.Плеханова, г.Москва
Рассмотрена возможность применения гибридных нейронных сетей для диагностики заболеваний легких. Предложены архитектуры нейронных сетей с макрослоями блочного типа. Нейронные сети в макрослоях построены на основе вероятностных моделей блочного типа. Окончательное решение о принадлежности к заболеванию принимается в макрослое, выполненном по нечеткой технологии.
Нейронные сети (НС) представляют собой широкий класс компьютерных систем, которые в настоящее время нашли широкое применение для решения задач в различных областях знаний [1-3 ].
Способность НС к обучению и самообучению позволяет применять их для установления вероятностной структуры и порядка в случайных процессах. Важное преимущество НС, заключающееся в способности анализа вновь поступающей информации на основе адаптации предыдущим значениям, приводит к дальнейшему накоплению опыта в процессе работы и позволяет применять для обработки сложноструктурируемых изображений [2, 3].
Работа нейронных сетей строится на принципах схожих с принципами обучения человека. Обученная нейронная сеть позволяет ставить правильный диагноз с высокой степенью точности [2].
На основе нейронных сетей была разработана автоматизированная система, предназначенная для компьютерного анализа и классификации заболеваний легких, на основании исследования изображений рентгеновских снимков (РС). Обобщение и анализ применения гибридных методов и алгоритмов для интеллектуальных систем приведены в [4,5].
В основе технологии анализа патологических образований на изображении РС предусмотрены два этапа исследований.
На первом этапе выделяются контуры легких. На втором этапе проверяется гипотеза о принадлежности выделенного изображения к определенному классу. Поэтому при проектировании нейронных сетей для классификации изображений РС целесообразно использовать нейронные сети с макрослоями (НСМ). Использование многослойных персептронов для классификации таких данных является нецелесообразным, так как приводит к потере обученного состояния сети по определенным группам признаков [х].
Принятие решений осуществляется на основе анализа множества групп информативных признаков, полученных посредством различных методик и технологий диагностики. За каждую патологию ^, определяемую по k-й группе информативных признаков, отвечает нейронная сеть прямого распространения NET,,k. Если выделяются L заболеваний легких (L классов
объекта), то для каждой группы информативных признаков tk получаем
макрослой, содержащий столько нейронных сетей прямого распространения, сколько легочных патологий выделяется данной НСМ. Число макрослоев определяется числом групп информативных признаков K, используемых для диагностики. Так как решения о принадлежности к заданному заболеванию легких принимаются в каждом из K слоев НСМ, то она должна иметь K+1 слой, который предназначен для агрегирования решений, принимаемых в каждом слое.
Структурная схема НСМ, выполняющая все вышеперечисленные функции, представлена на рисунке 1.
NET,,
NET„
NET,,
NET2,
NET.,.,
NET,,,
tK
NETK
NETk
NET,
(K+1)1
Выход 1 .
NET,
(к+1)2
Выход .
NET,
(K+1)L
Выход L
NETkl
Рисунок 1. Структурная схема нейронной сети с макрослоями, предназначенная для диагностики заболеваний легких
Следует отметить, что в предложенной структурной схеме в режиме классификации на вход нейронных сетей одного и того же макрослоя подается один и тот же сигнал, при этом применяются нейронные сети блочного типа [4].
Каждая нейронная сеть в макрослоях настраивается по алгоритму обратного распространения ошибки [4,5]. Вначале настраиваются нейронные се-
ти в К первых слоях. После их настройки осуществляется настройка нейронных сетей выходного слоя.
Для работы НСМ разработана база данных, содержащая три блока: база изображений РС, база моделей нейронных сетей и база обучающих выборок. База изображений содержит изображения РС, которые необходимо либо анализировать, либо изображения, предназначенные для формирования обучающих выборок.
База моделей нейронных сетей формируется в процессе настройки нейронных сетей в соответствующих слоях НСМ.
Нейронные сети в макрослоях построены на основе вероятностных моделей (РМЫ) блочного типа.
Классификации в сети основывается на методе Байеса, который позволяет осуществить выбор наиболее вероятного класса принадлежности исследуемого образца. Оценка функции плотности вероятностей для каждого класса получается в результате обучения сети. Формальным правилом выбора является то, что класс с наибольшим значением функции плотности распределения в области неизвестного экземпляра будет иметь преимущество по сравнению с другими классами на основании выражения:
ИЛ ■ СЛ ■ /Л (х) > ИВ ■ СВ ■ /В (x), (1)
где И - априорная вероятность, с - цена ошибки классификации, /(х) -функция плотности вероятностей.
Для принятия окончательного решения к вероятностному слою нейронной сети добавляется слой, выполненный по нечеткой технологии - макрослой Б^Ы. В итоге каждый модуль классификации содержит последовательно соединенные блок РЫЫ и блок БКЫ, на выходе которого определяется субъективная вероятность принадлежности входного вектора к данному классу. Структура полученной нейронной сети с двумя макрослоями: РКЫ и БК^ представлена на рисунке 2.
Окончательная субъективная вероятность патологии определяется в блоке БКЫ, который является моделью экспертной оценки результатов, получаемых в макрослое РЫЫ. Каждый модуль макрослоя БКЫ состоит из двух слоев. Первый слой имеет два нейрона, в первом из которых осуществляется вычисление субъективной вероятности наличия патологии сог, а во втором - субъективной вероятности отсутствия патологии сог. Каждый
из нейронов первого слоя каждого модуля макрослоя ЕММ имеет N входов. Схема соединения выходов макрослоя PNN и входов макрослоя FNN построена таким образом, чтобы нечеткая операция, которая в них осуществляется, была аналогична операции сложения вероятностей или алгебраического сложения. Выполнение этого требования достигается тем, что на нейроны первого слоя модулей макрослоя FNN поступают свидетельства, подтверждающие одно и то же событие. Это значит, что на первый нейрон должна поступать информация, подтверждающая наличие патологии а)г, а
на второй нейрон - подтверждающая наличие патологии сог.
Рисунок 2. Структурная схема гибридной нейронной сети
с двумя макрослоями
Конкретная нечеткая операция в узлах FNN первого слоя определяется посредством обучения модулей FNN и экспертной коррекции функций субъективной плотности вероятностей на выходе макрослоя РМ^
Второй слой модуля классификации макрослоя FNN содержит всего лишь один нейрон, который выполняет роль, аналогичную роль дефуззи-фикатора в системе нечеткого логического вывода.
Заключение.
1. Для диагностики заболеваний легких на основе классификации рентгеновских снимков предложены нейронные сети с макрослоями, использующие для диагностических заключений К групп информативных признаков и включающие К+1 макрослой, отличающиеся тем, что в каждом макрослое содержится столько нейронных сетей, сколько классов заболеваний выделяет нейронная сеть с макрослоями, а число нейронов в первом слое каждой нейронной сети К первых макрослоев определяется размерностью признакового пространства, закрепленного за данным макрослоем, а число нейронов в нейронных сетях последнего макрослоя определяется числом групп информативных признаков, используемых для диагностики заболеваний легких.
2. Показано, что в качестве макрослоев нейронной сети при двухальтер-нативноцй классификации целесообразно использовать гибридную нейронную сеть, состоящую из макрослоев со структурой PNN-FNN. Первый макрослой построен на основе вероятностной нейронной сети, а второй -на основе нечеткой нейронной сети.
3. Предложена PNN-FNN - модель гибридной нейронной сети с макрослоями для многоальтернативной классификации, содержащая три макрослоя, отличающаяся тем, что первый макрослой состоит из модулей вероятностных трехслойных нейронных сетей, второй - из модулей двухслойных нечетких нейронных сетей, причем количество модулей в макрослоях равно числу дифференцируемых классов заболеваний, позволяющая определить субъективные вероятности принадлежности входного вектора к выделяемым классам.
Список литературы
1. Томакова, Р. А. Гибридные технологии в интеллектуальных системах идентификации лекарственных средств/ Р.А. Томакова, С.А. Филист, М.В. Томаков// Нейрокомпьютеры: разработка, применение. 2014. №6. С.31-66.
2. Томакова, Р.А. Нейросетевые модели принятия решений для диагностики заболеваний легких на основе анализа флюорограмм грудной клетки/ Р.А. Томакова, М.В. Дюдин, М.В. Томакова// Биомедицинская радиоэлектроника. 2014. №9. С.12-15.
3. Брежнева, А.Н. Нейросетевые модели сегментации ангиограмм глазного дна на основе анализа ЯвБ-кодов пикселей/А.Н. Брежнева, С.А. Борисовский, Р.А. Томакова, С. А. Филист// Системный анализ и управление в биомедицинских системах. 2010.Т.9, №1. С.72-76.
4. Томакова, Р.А. Гибридные методы и алгоритмы для интеллектуальных систем классификации сложноструктурируемых изображений: автореферат дисс. ... д-ра техн. наук / Белгородский националь-но-исслед. ун-т. - Белгород, 2013. - 43с.
5. Томакова, Р.А. Интеллектуальные технологии сегментации и классификации биомедицинских изображений: монография / Р. А. Томакова, С. Г. Емельянов, С. А. Филист; Минобрнауки России, Федеральное гос. бюджетное образовательное учреждение высш. проф. образования «Юго-Западный гос. унта (ЮЗГУ). Курск, 2012. -222с.
