CC BY
56
10иККЛЬ ОБ ОТШ МЕБТСЛЬ ТЕСЫК0ШЫЕ8 - 2018 - V. 25, № 4 - Р. 235-241
УДК: 616-093
БОТ: 10.24411/1609-2163-2018-16078
РАСПОЗНАВАНИЕ ОБЪЕКТОВ НА ЦИФРОВЫХ ИЗОБРАЖЕНИЯХ МИКРОСКОПИЧЕСКИХ ПРЕПАРАТОВ С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ
А.Н. НАРКЕВИЧ, К.А. ВИНОГРАДОВ
ФГБОУВО «Красноярский государственный медицинский университет им. проф. В.Ф. Войно-Ясенецкого» Минздрава России, ул. Партизана Железняка, д. 1, г. Красноярск, Красноярский край, 660022, Россия
Аннотация. Целью исследования явилось изучение возможности распознавания объектов на цифровых микроскопических изображениях мокроты, окрашенной по методу Циля-Нильсена, с использованием искусственных нейронных сетей и выбор параметров для обеспечения наилучшего качества классификации данных объектов. Представлены результаты построения искусственных нейронных сетей с различными входными параметрами, которые получены путем 235 итераций обучения. Исключение входных параметров осуществлялось на основании анализа важности данных параметров для классификации. Проанализировано качество классификации объектов с использованием нейронных сетей. Показано начальное повышение качества классификации при снижении числа входных параметров, с последующим его снижением. По результатам представленного исследования сделано заключение о возможности использования математического аппарата искусственных нейронных сетей для классификации объектов на цифровых изображениях микроскопических препаратов мокроты, окрашенной по методу Циля-Нильсена, а также о том, что полученная математическая модель искусственной нейронной сети может быть использована для распознавания объектов (кислотоустойчивых микобактерий и иных объектов) в автоматизированных системах бактериоско-пической диагностики туберкулеза, а внедрение ее в клиническую практику, несомненно повысит качество и скорость микробиологической диагностики туберкулеза.
Ключевые слова: медицинские изображения, распознавание изображений, автоматизированная обработка, бактериоскопическая диагностика, туберкулез легких.
Применение методов математического моделирования и компьютерных технологий для решения медицинских задач получает все большее распространение [3,13-15]. В качестве математического аппарата такого подхода применяется довольно большое число различных математических моделей. Так довольно широкое применение в медицинских исследованиях получил метод искусственных нейронных сетей [2,6,9,11]. Одной из классификационных задач, которая может быть решена с использованием искусственных нейронных сетей является распознавание объектов, которые выделяются на цифровых изображениях микроскопических препаратов, окрашенных по методу Циля-Нильсена. На сегодняшний день качество микробиологической диагностики туберкулеза в клинико-диагностических лабораториях общей лечебной сети остается не на должном уровне. Это связано в первую очередь с довольно рутинной методикой просмотра микроскопических препаратов, согласно которой необходимо на одном препарате просмотреть большое число полей зрения. Во-вторых, с тем, что общая укомплектованность кадрами
клинико-диагностических лабораторий в учреждениях общей лечебной сети составляет 63%, а врачами-бактериологами - чуть более 50% [12]. Это приводит к тому, что при проведении бактериоскопической диагностики туберкулеза возникает большое число ошибок [5] и учреждения общей лечебной сети постепенно перестают осуществлять бактериоскопическую диагностику. В 2014 году доля больных туберкулезом, выявленных данным методом от впервые выявленных бактериовыделителей, составила лишь 0,23% [4]. Использование методов математической классификации объектов на цифровых микроскопических изображениях мокроты, окрашенной по методу Циля-Нильсена, позволит свести к минимуму перечисленные выше недостатки.
Современные информационные и математические технологии позволяют осуществлять автоматизированный анализ различных изображений [1]. Одной из проблем распознавания объектов на изображении является их параметризация, то есть описание объектов с помощью различных параметров, которые будут использоваться для последующей идентифика-
ВЕСТНИК НОВЫХ МЕДИЦИНСКИХ ТЕХНОЛОГИЙ - 2018 - Т. 25, № 4 - С. 235-241 JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2018 - V. 25, № 4 - P. 235-241
ции [10]. Проблема заключается в том, что большое число параметров существенно ограничивает скорость автоматизированного анализа изображения, а небольшое число параметров может привести к низкому качеству такого анализа. При этом большее число параметров, ввиду своей вероятной избыточности, зачастую не является залогом высокого качества автоматизированного анализа. Таким образом, в решении задач автоматизированной классификации объектов необходимо соблюдение баланса между числом используемых параметров объектов и качеством классификации или распознавания объектов.
Цель исследования - изучение возможности распознавания объектов на цифровых микроскопических изображениях мокроты, окрашенной по методу Циля-Нильсена, с использованием искусственных нейронных сетей и выбор параметров для обеспечения наилучшего качества классификации.
Материалы и методы исследования. Материалом исследования явились 177 393 объекта, выделенных с использованием одного из разработанного нами алгоритма, на цифровых изображениях микроскопических препаратов мокроты, окрашенной по методу Циля-Нильсена [8], полученных с помощью триноку-лярного микроскопа Микромед 1 вар. 3-20 при увеличении 10*60 с установленной цифровой камерой ToupCam UCMOS01300KPA с разрешением 0,3 MP. Каждое изображение имело разрешение 572*422 пикселей. Среди выделенных объектов 6 708 объектов являются кислотоустойчивыми микобактериями, а 170 685 объектов - иные объекты (артефакты, скопления мокроты, части клеток и т.д.).
Математическое описание данных объектов производилось по 240 цветовым и морфо-метрическим признакам [7]. Данные признаки разделены на 3 группы, которые подразделяется на подгруппы. Для анализа использована следующая классификация признаков:
1. Основные морфометрические признаки объектов:
а) попиксельная площадь объектов (в пикселях);
б) размер объектов по оси X (в пикселях);
в) размер объектов по оси Y (в пикселях).
2. Радиальные размеры объектов и их соотношения:
а) размеры от центра объекта до его края (всего 72 параметра);
б) соотношения противолежащих размеров от центра объекта до его края (всего 36 параметров);
в) соотношения перпендикулярных размеров от центра объекта до его края (всего 72 параметра);
г) соотношения перпендикулярных размеров от одного края объекта до его противоположного края (всего 36 параметров).
3. Цветовые признаки объектов:
а) характеристики цвета объектов в цветовой схеме RGB (всего 9 параметров);
б) характеристики цвета объектов в цветовой схеме HSV (всего 9 параметров);
в) характеристики цвета объектов в оттенках серого (всего 3 параметра).
Основные морфометрические признаки объектов, радиальные размеры объектов и их соотношения измеряются в пикселях. Измерение цветовых признаков осуществлялось в безразмерных единицах, однако интервал возможных значений отличался в зависимости от цветовой схемы. Так, цвета объектов в цветовой схеме RGB и в оттенках серого измерялись в интервале от 0 до 255, параметры, отражающие H в цветовой схеме HSV, измерялись в интервале от 0 до 359, а параметры, характеризующие S и V, измерялись в интервале от 0 до 100.
Таким образом, входными данными для обучения искусственной нейронной сети являлись 235 морфометрических признака, а выходом - класс объекта (кислотоустойчивые мико-бактерии или иные объекты). Часть измеряемых признаков не использовалась ввиду того, что у всех 177 393 анализируемых объектов, 5 признаков были константами, то есть имели одно и то же значение.
Ввиду того, что измерение всех 235 признаков у каждого объекта, имеющегося на цифровых микроскопических изображениях, сопряжено с временными затратами, то построение математической модели искусственной нейронной сети осуществлялось по следующему принципу. На первой итерации в качестве входных параметров искусственной нейронной сети использовались все 235 измеряемых у объектов признаков. После построения нейронной сети и оценки качества классификации проводился анализ важности входных параметров искусственной нейронной сети, результатом которого являлась важность каждого входного параметра для решения поставленной классификационной задачи. На следующей
JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2018 - V. 25, № 4 - P. 235-241
итерации построения искусственном нейронной сети использовались уже 234 признака с исключением из перечня входного параметра, который имел наименьшую важность на предыдущей итерации построения искусственной нейронной сети. Таким образом, последняя итерация построения искусственной нейронной сети осуществлялась с применением одного входного признака, не исключенного на предыдущих итерациях.
Для обучения математической модели искусственной нейронной сети использовалось 70% объектов, а для тестирования - 30%. Оценка качества классификации на всех итерациях построения математической модели искусственной нейронной сети осуществлялась на основании ошибки классификации, как на обучающей, так и на тестовой выборке, а также с использованием показателей чувствительности (Se), специфичности (Sp), прогностической ценности положительного (PPV) и отрицательного результата (PNV), а также отношения правдоподобия положительного (LR+) и отрицательного результата (LR-). Для каждого из используемых показателей рассчитывался 95% доверительный интервал. Построение математической модели искусственной нейронной сети осуществлялось с применением IBM SPSS Statistics v.19.
Построение искусственных нейронных сетей осуществлялось на персональном компьютере со следующими характеристиками: процессор Intel® Core™ i5-3330S 2,70 GHz, оперативная память 4,00 ГБ, 32-разрядная операционная система Microsoft Windows 7 Корпоративная Service Pack 1.
Результаты и их обсуждение. Необходимо отметить, что итерационное обучение 235 искусственных нейронных сетей с различным числом входных параметров модели заняло 6,5 месяцев. Так, одна итерация обучения занимала от 8 до 30 часов. Это связано с тем, что для обучения искусственной нейронной сети использовалось большое число входных параметров у большого числа объектов. Это требует использования для подобных, ставших уже стандартными в медицинских исследованиях, исследовательских задач мощных вычислительных станций, использующих возможности графических процессоров, либо разработки и использования методов предварительного отбора наиболее важных для классификации признаков для исключения последовательного
итерационного поиска таких признаков.
Ошибка классификации на обучающей и тестовой выборках на протяжении всех 235 итераций обучения искусственных нейронных сетей представлена на рис.
Как видно из результатов представленных на рисунке ошибка классификации как на обучающей, так и на тестовой выборке на первой итерации имеет довольно высокое значение по сравнению с ошибками классификации на большинстве последующих итераций. При последовательном уменьшении числа входных параметров путем исключения наименее важных ошибка классификации до определенного момента снижается, а затем повышается, достигнув максимального значения при одном входном параметре, имеющим на всех итерациях обучения искусственных нейронных сетей наибольшую важность. На основании проведенных вычислительных экспериментов установлено, что наименьшая ошибка на обучающей и тестовой выборках была получена на 92 итерации построения искусственной нейронной сети при использовании 144 входных параметров. В табл. приведена более детальная оценка качества классификации искусственными нейронными сетями, полученными на различных итерациях обучения.
Приведенные в табл. результаты подтверждают снижение ошибок на обучающей и тестовой выборках с 1 по 92 итерацию. При этом с 1 по 94 итерацию происходит постепенное повышение показателей, характеризующих качество классификации, таких как чувствительность, специфичность, прогностическая ценность положительного и отрицательного результата классификации, а также отношения правдоподобия положительного результата. Отношение правдоподобия отрицательного результата практически не менялось на протяжении обучения искусственных нейронных сетей на данных итерациях. Необходимо отметить, что исключение 38 наименее важных для классификации параметров приводит к значительному повышению качества классификации объектов. Так, на 39 итерации обучения искусственных нейронных сетей чувствительность, характеризующая долю истинно положительных результатов, составляла уже 94,3%, по сравнению с данным показателем на 1 итерации равным 89,8%. Также увеличился показатель специфичности, характеризующий долю истинно отрицательных результатов классификации, до 90,6%. Показатели, характеризующие
10иККЛЬ ОБ ОТШ МЕБТСЛЬ ТЕСЫК0ШЫЕ8 - 2018 - V. 25, № 4 - Р. 235-241
вероятность того, что объект является кислотоустойчивой микобактерией, если моделью предсказывается данный класс (PPV), и вероятность того, что объект не является кислотоустойчивой микобактерией, если модель предсказывает класс иных объектов (PNV) также превысили 90% на 39 итерации. Отношение правдоподобия положительного результата равное на 39 итерации 10,0 показывает, что при предсказании объекту искусственной нейронной сетью класса кислотоустойчивых мико-бактерий вероятность того, что данный объект действительно является кислотоустойчивой микобактерией в 10 раз выше, чем вероятность того, что данный объект является иным объектом на изображении, не относящемся к кислотоустойчивым микобактериям.
144 на 92 итерации до 113, то есть исключить 31 параметр из числа входных параметров искусственной нейронной сети для классификации объектов. На 123 итерации обучения получены показатели, характеризующие качество классификации, со значением более 90%. Такие значения также позволяют использовать полученную нейронную сеть для автоматизированной классификации объектов на цифровых изображениях микроскопических препаратов мокроты, окрашенной по методу Циля-Нильсена, а несколько худшие показатели качества классификации могут быть компенсированы более высокой скоростью автоматизированного анализа ввиду меньшего числа необходимых входных параметров для работы, полученной искусственной нейронной сети.
Таблица
Качество классификации искусственными нейронными сетями, полученными на различных итерациях
обучения
Итерация обучения, абс. Число входных параметров, абс. Ошибка на обучающей выборке, % Ошибка на тестовой выборке, % Se, % Se, % PPV, % PNV, % LR+ LR-
1 235 11,1 11,3 89,8 [89,5; 90,0] 88,0 [87,7; 88,2] 88,2 [87,9; 88,5] 89,6 [89,3; 89,8] 7,5 [7,3; 7,6] 0,1 [0,1; 0,1]
39 197 7,2 7,5 94,3 [94,1; 94,5] 90,6 [90,3; 90,9] 90,9 [90,7; 91,2] 94,1 [93,9; 94,3] 10,0 [9,8; 10,3] 0,1 [0,1; 0,1]
65 171 7,2 7,5 94,9 [94,7; 95,1] 90,0 [89,7; 90,3] 90,5 [90,3; 90,8] 94,6 [94,4; 94,8] 9,5 [9,3; 9,8] 0,1 [0,1; 0,1]
92 144 6,7 7,2 94,7 [94,5; 94,9] 90,8 [90,5; 91,0] 91,1 [90,9; 91,4] 94,5 [94,3; 94,7] 10,3 [10,0; 10,5] 0,1 [0,1; 0,1]
103 133 6,8 7,3 94,9 [94,7; 95,0] 90,5 [90,3; 90,8] 91,0 [90,7; 91,2] 94,6 [94,4; 94,8] 10,0 [9,8; 10,3] 0,1 [0,1; 0,1]
123 113 7,8 8,1 93,3 [93,1; 93,5] 90,4 [90,2; 90,7] 90,7 [90,5; 91,0] 93,1 [92,9; 93,3] 9,8 [9,5; 10,0] 0,1 [0,1; 0,1]
141 95 8,3 8,7 93,6 [93,3; 93,8] 89,0 [88,7; 89,3] 89,4 [89,2; 89,7] 93,3 [93,1; 93,5] 8,5 [8,3; 8,7] 0,1 [0,1; 0,1]
181 55 9,7 9,8 92,0 [91,7; 92,2] 88,5 [88,2; 88,7] 88,8 [88,5; 89,1] 91,7 [91,5; 92,0] 8,0 [7,8; 8,2] 0,1 [0,1; 0,1]
202 34 10,2 10,4 91,0 [90,8; 91,3] 88,2 [88,0; 88,5] 88,6 [88,4; 88,9] 90,7 [90,5; 91,0] 7,7 [7,6; 7,9] 0,1 [0,1; 0,1]
225 11 10,8 11,0 90,5 [90,2; 90,7] 87,5 [87,2; 87,8] 87,9 [87,7; 88,2] 90,1 [89,9; 90,4] 7,3 [7,1; 7,4] 0,1 [0,1; 0,1]
235 1 14,1 14,4 85,1 [84,8; 85,4] 86,2 [85,9; 86,5] 86,1 [85,8; 86,4] 85,1 [84,8; 85,4] 6,2 [6,0; 6,3] 0,2 [0,2; 0,2]
Дальнейшее исключение входных параметров на последующих итерациях обучения искусственных нейронных сетей, в частности до 123 итерации, привело к незначительному снижению показателей, характеризующих качество классификации, но позволило существенно снизить число входных параметров с
Дальнейшее исключение входных параметров привело к уменьшению показателей, характеризующих качество классификации. Так, на последней итерации, когда в качестве входных значений искусственной нейронной сети остался лишь один параметр, имеющий наибольшую важность, чувствительность составила 85,1%,
JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2018 - V. 25, № 4 - P. 235-241
специфичность - 86,2%, прогностическая ценность положительного результата - 86,1%, отрицательного результата - 85,1%, а отношение правдоподобия положительного и отрицательного результата - соответственно 6,2 и 0,2.
CtamAa ю ctytMNKfl шОсуесИпщ** отбм ил тннА «wScjn*
Рис. Ошибка классификации на обучающей и тестовой выборках
Выводы. Таким образом, с использованием математического аппарата искусственных нейронных сетей построены модели с различным числом входных параметров. Наилучшие показатели, характеризующие качество классификации объектов, были получены на 92 итерации обучения: чувствительность -94,7%, специфичность - 90,8, ошибка классификации на тестовой выборке - 7,2%. Данная математическая модель искусственной нейронной сети может быть использована для распознавания объектов (кислотоустойчивых ми-кобактерий и иных объектов) в автоматизированных системах бактериоскопической диагностики туберкулеза, а внедрение ее в клиническую практику, несомненно повысит качество и скорость микробиологической диагностики туберкулеза.
OBJECT RECOGNITION ON DIGITAL IMAGES OF MICROSCOPIC PREPARATIONS USING ARTIFICIAL
NEURAL NETWORKS
A.N. NARKEVICH, K.A. VINOGRADOV
Krasnoyarsk State Medical University, Partizana Zheleznyaka St., 1, Krasnoyarsk, Krasnoyarsk region, 660022, Russia
Abstract. The research purpose was to study the possibilities of object recognition on digital microscopic images of sputum, colored by the Ziehl-Nielsen method, using artificial neural networks and the choice of parameters to ensure the highest quality of classification of these objects. The results of the construction of artificial neural networks with different input parameters obtained by 235 iterations of training are presented. Exception of input parameters was carried out on the basis of the analysis of the importance of data classification parameters. The quality of object classification using neural network data is analyzed. Initial improvement of quality of classification is shown at decrease in number of input parameters, with the subsequent decrease. According to the results of the present study, the conclusion about the possibility of using the mathematical apparatus of artificial neural networks for classifying objects on digital images of microscopic preparations of sputum, colored by the Ziehl-Nielsen method, as well as that the resulting mathematical model of artificial neural network can be used to recognize objects (acid-resistant mycobacteria and other objects) in automated systems of bacterioscopic diagnosis of tuberculosis, and its introduction into clinical practice, undoubtedly will increase the quality and speed of microbiological diagnosis of tuberculosis.
Key words: medical images, image recognition, automated processing, bacterioscopic diagnosis, pulmonary tuberculosis.
Литература
1. Ананченко В.Н., Ананченско А.И., Литвин А.В., Литвин А.А. Компьютерная обработка медицинских изображений в системе МаЛаЬ // Известия ЮФУ. Технические науки. 2002. №5. С. 68-71.
2. Барский А.Б., Дмитриев А.А., Барская О.А. Медицинские информационно-справочные системы на логических нейронных сетях // Информацион-
References
1. Ananchenko VN, Ananchensko AI, Litvin AV, Litvin AA. Komp'yuternaya obrabotka medicinskih izobrazhenij v sisteme MatLab [Computer processing of medical images in MatLab system]. Izvestiya YUFU. Tekhnicheskie nauki. 2002;5:68-71. Russian.
2. Barskij AB, Dmitpiev AA, Bapskaya OA. Medi-cinskie informacionno-spravochnye sistemy na logi-cheskih nejronnyh setyah [Medical information and
JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2018 - V. 25, № 4 - P. 235-241
ные технологии. 2010. № S1. С. 1-32.
3. Грицинская В.Л., Москаленко О.Л. Использование компьютерных технологий при проведении диспансеризации детского населения Республики Тыва // В мире научных открытий. 2017. № 2. С. 158-167.
4. Еремеева Н.И., Вахрушева Д.В. Эффективность выявления больных туберкулезом с бактериовы-делением в клинико-диагностических лабораториях учреждений первичной медико-санитарной помощи Урала в 2010-2012 гг. // Туберкулез и болезни легких. 2015. № 7. С. 40-42.
reference systems on logical neural networks]. Informacionnye tekhnologii. 2010;S1:1-32. Russian.
3. Gricinskaya VL, Moskalenko OL. Ispol'zovanie komp'yuternyh tekhnologij pri provedenii dispanseri-zacii detskogo naseleniya Respubliki Tyva [The use of computer technology in the medical examination of children in the Republic of Tuva]. V mire nauchnyh otkrytij. 2017;2:158-67. Russian.
4. Eremeeva NI, Vahrusheva DV. EHffektivnost' vyyavleniya bol'nyh tuberkulezom s bakteriovydeleniem v kliniko-diagnosticheskih laboratoriyah uchrezhdenij pervichnoj mediko-sanitarnoj pomoshchi Urala v 2010-2012 gg. [The efficiency of detection of tuberculosis with bacterial excretion in clinical diagnostic laboratories of the primary health-care Urals in 2010-2012]. Tuberkulez i bolezni legkih. 2015;7:40-2. Russian.
5. Мезенцева Н.И., Евгущенко Г.В., Пузанов В.А., Попов С.А., Фрейман Г.Е. Оценка качества диагностики туберкулеза методами микроскопии в РФ за 2011-2014 гг. по результатам ФСВОК // Туберкулез и болезни легких. 2015. № 6. С. 96-97.
5. Mezenceva NI, Evgushchenko GV, Puzanov VA, Popov SA, Frejman GE. Ocenka kachestva diagnostiki tuberkuleza metodami mikroskopii v RF za 2011-2014 gg. po rezul'tatam FSVOK [Assessment of the quality of TB diagnosis by microscopy in Russia in 2011-2014 at the Federal system of quality control results]. Tuberkulez i bolezni legkih. 2015;6:96-7. Russian.
6. Муха Ю.П., Скворцов М.Г., Дружинин Д.Г. Метрологическое описание нейронных сетей // Биомедицинские технологии и радиоэлектроника. 2002. № 4. С. 20-23.
6. Muha YUP, Skvorcov MG, Druzhinin DG. Metro-logicheskoe opisanie nejronnyh setej [Metrological description of neural networks]. Biomedicinskie tekhnologii i radioehlektronika. 2002;4:20-3. Russian.
7. Наркевич А.Н., Виноградов К.А., Корецкая Н.М. Параметризация объектов на цифровых микроскопических изображениях мокроты, окрашенной по методу Циля-Нильсена // Сибирское медицинское обозрение. 2017. № 5 (107). С. 53-59.
7. Narkevich AN, Vinogradov KA, Koreckaya NM. Parametrizaciya ob"ektov na cifrovyh mikroskopi-cheskih izobrazheniyah mokroty, okrashennoj po metodu Cilya-Nil'sena [Parametrization of objects on digital microscopic images of sputum stained by the ZIL-Nielsen method]. Sibirskoe medicinskoe obozrenie. 2017;5(107):53-9. Russian.
8. Наркевич А.Н., Виноградов К.А., Корецкая Н.М., Соболева В.О. Сегментация микроскопических изображений мокроты, окрашенной по методу Циля-Нильсена, с использованием вейв-лет-преобразования Mexican Hat // Acta Biomedica Scientifica. 2017. Т. 2, № 5. С. 141-146.
8. Narkevich AN, Vinogradov KA, Koreckaya NM, Soboleva VO. Segmentaciya mikroskopicheskih izo-brazhenij mokroty, okrashennoj po metodu Cilya-Nil'sena, s ispol'zovaniem vejvlet-preobrazovaniya Mexican Hat [Segmentation of microscopic images of sputum stained by the ZIL-Nielsen method using the Mexican Hat wavelet transform]. Acta Biomedica Scientifica. 2017;2(5):141-6. Russian.
9. Петров С.Б., Шешунов И.В. Оценка эффективности применения искусственных нейронных сетей в медико-экологических исследованиях // Фундаментальные исследования. 2013. № 9-6. С. 1098-1101.
10. Самородов А.В. Автоматизированный морфологический анализ цитологических препаратов //
9. Petrov SB, SHeshunov IV. Ocenka ehffektivnosti primeneniya iskusstvennyh nejronnyh setej v medi-ko-ehkologicheskih issledovaniyah [Evaluation of the effectiveness of artificial neural networks in medical and environmental studies]. Fundamental'nye issledovaniya. 2013;9-6:1098-101. Russian.
10. Samorodov AV. Avtomatizirovannyj morfologi-cheskij analiz citologicheskih preparatov [Automated
JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2018 - V. 25, № 4 - P. 235-241
Биомедицинская радиоэлектроника. 2009. №10. С. 35-40.
11. Филист С.А., Шаталова О.В., Ефремов М.А. Гибридная нейронная сеть с макрослоями для медицинских приложений // Нейрокомпьютеры: разработка, применение. 2014. № 6. С. 35-69.
morphological analysis of cytological preparations]. Biomedicinskaya radioehlektronika. 2009;10:35-40. Russian.
11. Filist SA, SHatalova OV, Efremov MA. Gibridnaya nejronnaya set' s makrosloyami dlya medicinskih prilozhenij [Hybrid neural network with macro-layers for medical applications]. Nejrokomp'yutery: razrabotka, primenenie. 2014;6:35-69. Russian.
12. Чередниченко А.Г., Ревякина О.В., Петренко Т.И. Состояние лабораторной службы по диагностике туберкулеза в Сибирском и Дальневосточном федеральных округах // Туберкулез и болезни легких. 2014. №5. С. 16-20.
13. Birjandtalab J., Baran Pouyan M., Cogan D., Nou-rani M., Harvey J. Automated seizure detection using limited-channel EEG and non-linear dimension reduction // Computers in biology and medicine. 2017. №82. P. 49-58.
14. Kaplan A., Lock E.F. Prediction with dimension reduction of multiple molecular data sources for patient survival // Cancer informatics. 2017. № 16. P. e1176935117718517.
12. CHerednichenko AG, Revyakina OV, Petrenko TI. Sostoyanie laboratornoj sluzhby po diagnostike tu-berkuleza v Sibirskom i Dal'nevostochnom feder-al'nyh okrugah [The state of the laboratory service for the diagnosis of tuberculosis in the Siberian and far Eastern Federal districts]. Tuberkulez i bolezni legkih. 2014;5:16-20. Russian.
13. Birjandtalab J, Baran Pouyan M, Cogan D, Noura-ni M, Harvey J. Automated seizure detection using limited-channel EEG and non-linear dimension reduction. Computers in biology and medicine. 2017;82:49-58.
14. Kaplan A, Lock EF. Prediction with dimension reduction of multiple molecular data sources for patient survival. Cancer informatics. 2017;16:e1176935117718517.
15. Tu Y., Tan A., Fu Z., Sam Hung Y., Hu L., Zhang Zh. Supervised nonlinear dimension reduction of functional magnetic resonance imaging data using Sliced Inverse Regression // Conference proceedings: 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Milan, 2015. P. 2641-2645.
15. Tu Y, Tan A, Fu Z, Sam Hung Y, Hu L, Zhang Zh. Supervised nonlinear dimension reduction of functional magnetic resonance imaging data using Sliced Inverse Regression. Conference proceedings: 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Milan; 2015.
Библиографическая ссылка:
Наркевич А.Н., Виноградов К.А. Распознавание объектов на цифровых изображениях микроскопических препаратов с использованием искусственных нейронных сетей // Вестник новых медицинских технологий. 2018. №4. С. 235-241. БОТ: 10.24411/1609-2163-2018-16078
