CC BY
29
УДК - 519.24
СИНТЕЗ НЕЙРОСЕТЕВОГО КЛАССИФИКАТОРА ДЛЯ РЕШЕНИЯ ЗАДАЧ МЕДИЦИНСКОЙ ДИАГНОСТИКИ
Авшалумов А.Ш., к.т.н., директор,
Тел. (495)4243500; e-mail: avshalumov@cybermed.ru Филаретов Г.Ф., д.т.н., научный руководитель Тел. (495)4243500, gefefi@yandex.ru Московский Институт Кибернетической Медицины (МИКМ) http://www.mricm.com
The problem of constructing the neural network classifier-adviser, intended for the use of EHF medical diagnostic system DCM-01 in application software, is discussed. The authors show that the required quality of classification can be achieved with the help of the original cascade neural network. The procedure of synthesis of neural networks and the results of its training and practical using are given.
Обсуждается проблема построения нейросетевого классификатора-советчика, предназначенного для применения в качестве части прикладного программного обеспечения медицинского КВЧ-диагностического комплекса ДКМ-01. Показано, что для получения требуемого качества классификации может применяться оригинальная каскадная искусственная нейросеть. Приводятся процедура синтеза такой сети, результаты ее обучения и применения.
Ключевые слова: медицинский диагностический комплекс, нейросетевой классификатор, каскадные нейросети.
Keywords: medical diagnostic system, network classifier, cascade neural network.
Введение. Рассматривается задача построения нейросетевого классификатора-советчика, предназначенного для использования в составе прикладного программного обеспечения медицинского КВЧ-диагностического комплекса ДКМ-01 [1]. Комплекс предназначен для проведения компьютерного экспресс-обследования пациента на основе анализа структуры сигналов, излучаемых органами, тканями и системами организма человека в диапазоне крайне высоких частот (мм-диапазон радиоволн) с целью определения отклонений от структуры сигналов, принятых за относительную норму, выявление на этой основе наличия и степени функциональных нарушений. Он позволяет оперативно (в течение 1-2 часов) диагностировать функциональное состояние и активность всех основных органов и систем человека и получить обобщенное представление о его здоровье.
Важной составной частью комплекса является его программно-алгоритмическое обеспечение, содержащее две компоненты: базовое и специализированное прикладное программное обеспечение. В конечном итоге именно специализированное программное обеспечение позволяет достичь необходимого уровня достоверности диагностических выводов. Оно включает в себя программные средства предварительной цифровой обработки данных (предварительная фильтрация, удаление аномальных наблюдений, обнаружение систематических трендов), программу первичной обработки (определение спектральных характеристик сигнала с различными спектральными окнами, выделение систематических и разностных компонент, вычисление нормированной автокорреляционной функции), программу выделения и анализа первичных диагностических признаков с использованием совокупности одномерных статистических классификаторов и многомерного нейросетевого классификатора, реализующих в режиме советчика автоматизированную диагностическую процедуру.
Целью данной работы является рассмотрение процедуры синтеза нейросетевого классифи-катора-советчика в условиях существенной неоднородности экспериментальных данных.
Основные результаты. Рассматриваемый нейросетевой классификатор предназначен для интегральной оценки функционального состояния отдельных органов и тканей человека по четырем градациям: «норма» - класс 0, «удовлетворительно» - класс 1, «невыраженная патология» - класс 2, «выраженная патология» - класс 3. Для успешного решения задачи синтеза нейросетевого классификатора необходима представительная выборка достаточно большого объема,
которая должна быть использована как в ходе настройки (обучения) искусственной нейронной сети (ИНС), так и при ее тестировании. В данном случае для настройки ИНС, проверки качества его функционирования в общей сложности были использованы результаты обследования более, чем 800 пациентов. Подчеркнем, что важнейшая роль в формировании как обучающей, так и тестовой выборок принадлежат врачам. Именно на основании их суждений, полученных с помощью различного рода процедур, лабораторных анализов, других диагностических средств, каждое наблюдение, связанное с обследованием того или иного органа или системы организма с помощью ДКМ-01, относилось к одному из четырех указанных ранее классов.
К настоящему времени разработаны и изучены десятки разновидностей ИНС, которые могут быть использованы в качестве классификаторов. Вместе с тем на практике применяется лишь относительно небольшой их спектр. При этом наибольшей популярностью пользуется одна из первых разновидностей ИНС, а именно многослойный персептрон (МЬР - МиШЬауег Регсер1хоп). В частности, он очень хорошо себя зарекомендовал для решения задач классификации в ситуации, когда заранее чётко известно число классов. Именно МЬР и был выбран в качестве средства классификации в ДКМ-01.
Создание нейросетевого персептронного классификатора для ДКМ-01 осуществлялось в несколько этапов. Первоначально в качестве классифицирующей ИНС был выбран трехслойный персептрон с числом входов п = 11 (по числу выделенных наиболее информативных первичных диагностических признаков) и с числом выходов т = 4 (по числу классов). Количество нейронов в скрытых слоях подбиралось экспериментально, для чего продуцировались варианты сети с различным количеством нейронов в скрытых слоях. Выбор наилучшего варианта (по 10 нейронов в каждом скрытом слое) был осуществлен, исходя из условия получения хорошего качества обучения при наименьшем числе нейронов.
Суммарно для настройки (обучения) сети и оценки ее качества здесь были использованы данные от 563 пациентов с верифицированными диагнозами, в том числе 35 случая класса 0, 191 случай класса 1, 155 случаев класса 2 и 182 случая класса 3. При этом в ходе обучения наличие входного вектора того или иного класса кодировалось позиционным способом: 1 в позиции, соответствующей данному классу, нули на всех прочих позициях.
В рабочем режиме (в процессе классификации) возможные значения на выходах сетей теоретически могут принимать любые значения из диапазона (0 - 1). Поэтому предложено считать выходной сигнал равным 1, если он превышает порог 0,75, и равным 0, если он меньше
0,25. Наличие промежуточных значений (от 0,25 до 0,75) интерпретировалось как неопределенный результат. Отнесение данного элемента к чужому классу и неопределенный результат учитывалась как ошибка классификации.
Анализ качества классификации для всех вариантов сети показал, что классы 0 и 1 различаются очень плохо. Практически все случаи класса 0 были классифицированы как класс 1. Объективно это скорее всего связано с тем, что различия между градациями «норма» и «удовлетворительно» зачастую трудноуловимы даже для врачей. В связи с этим было решено использовать предложенную авторами идею каскадирования искусственных нейронных сетей [2].
Каскадные сети формально представляют собой комбинацию из нескольких сетей, возможно, различных типов. Они предназначены и могут эффективно использоваться в условиях существенной неоднородности экспериментальных данных. Применительно к рассматриваемой задаче классификации такая неоднородность проявляется в том, что точки, относящиеся к разным классам, размещаются в п - мерном пространстве первичных признаков неравномерно (по принципу
Класс 0 Класс 1
«где - густо, где - пусто»). Иными словами, точки некоторых классов (в данном случае, например, классов 3 и 4) удалены друг от друга на значительные расстояния и поэтому легко разделяемы, в то время, как точки каких-то других классов (здесь классов 1 и 2) слабо удалены друг от друга и разделить их затруднительно.
В рассматриваемой задаче в качестве первого каскада использован тот же персептрон, но с тремя выходами, предназначенными для выделения классов 3, 4 и объединенного класса В (объединение классов 1 и 2 ). Оптимальное количество нейронов в скрытых слоях оказалось равным 10 (см. рис. 1а).
Второй каскад классифицирующей сети также представляет собой персептрон и имеет одиннадцать входов, два скрытых слоя и два выхода; количество нейронов в первом скрытом слое равно 11, во втором - 8 (см. рис. 1б). Для предварительного обучения данной сети использовалась специально сформированная выборка, содержащая 25 элементов класса 0 и 30 элементов класса 1, отобранных случайным образом из числа элементов, попавших в объединенный класс В . Установлено, что сеть достаточно хорошо разделяет классы 0 и 1: процент правильных ответов составляет примерно 80%. В рабочем режиме второй каскад включается в действие только, если первый каскад отнес наблюдение к классу В.
На заключительном этапе синтеза осуществлялось конечное обучение ИНС первого и второго каскадов для выбранных их топологий по расширенной выборке с разбиением ее случайным образом на собственно обучающую и тестовую. Расширенная выборка получена путем добавления к использовавшейся ранее выборке из 563 элементов новой части, содержащей 330 элементов (20 элементов класса 0, 191 - класса 1, 155 - класса 2 и 182 - класса 3). Итоговые результаты обучения и классификации (распознавания) приведены в нижеследующей таблице.
Выборка Класс 0 Класс 1 Класс 2 Класс 3 Все- го
Обучаю- щая Количество элементов 35 191 155 182 563
Правильная классификация 29 155 110 173 467
Процент правильных ответов 83% 81% 71% 95% 83%
Тестовая Количество элементов 20 124 84 102 330
Правильная классификация 16 97 51 91 255
Процент правильных ответов 80% 78% 61% 89% 77%
Общее число элементов выборки 893
Учитывая весьма сложный характер задачи, приведенные результаты можно признать более, чем удовлетворительными. Именно такая каскадная сеть и была выбрана для использования в ДКМ-01 в качестве классификатора-советчика.
СМИ*» О
Оомічмі(4еоетмми*) V
Ищаишм пат
1
мН
в)
ПМІИІІІГ о
Сомічмк Со**тчі«. (4 состояния) 3
1 Оыц»*ииа* гитом
Рис. 2
На практике оказалось удобным непосредственно использовать текущие непрерывные значения из диапазона (0 - 1), получающиеся на каждом выходе нейросетевого классификатора, и интерпретировать их как вероятностную оценку правдоподобия отнесения функционального состояния обследуемого органа к определенной градации. Тем самым появляется возможность не только получить информацию о принадлежности к тому или иному классу по наибольшему значению выхода сети, но и оценить степень надежности классификации. На рис. 2 представлены характерные образцы столбчатых диаграмм, отражающих результаты работы нейросетевого классификатора (советчика) на экране дисплея для случая относительно слабой патологии (рис. 2а), при патологии средней тяжести - (рис. 2б), тяжелой патологии - (рис. 2в) и практически здорового пациента (рис. 2г). Там же приведены и исходные периодограммы, на основе которых определяются информационные параметры, необходимые для работы классификатора.
Качество работы нейросетевого классификатора детально проверялось в ходе сертификационных испытаний диагностического комплекса и получило высокую оценку специалистов.
Выводы. Полученные результаты наглядно свидетельствуют о высокой эффективности работы нейросетевого каскадного классификатора для целей медицинской диагностики.
Литература
1. Авшалумов А.Ш., Филаретов Г.Ф. Медицинский КВЧ-диагностический комплекс // Материалы XXXII Международной конференции «Информационные технологии в науке, образовании, телекоммуникации, бизнесе» - 1Т+8Б’2005, с. 313 - 315.
2. Авшалумов А.Ш., Филаретов Г.Ф. Каскадирование искусственных нейронных сетей при решении задач классификации. // Высокие технологии, фундаментальные и прикладные исследования. Т. 5: Сборник трудов Второй международной научно-практической конференции «Исследование, разработка и применение высоких технологий в промышленности», Санкт-Петербург, 2006, с. 93 - 95.
УДК 621.265.91:621.762
МОДЕЛЬНОЕ ПРЕДСТАВЛЕНИЕ ПРОЦЕССА ТЕПЛО - И МАССОПЕРЕНОСА С ЦЕЛЬЮ ВЫРАБОТКИ РЕКОМЕНДАЦИЙ ПО РАЗРАБОТКЕ РЕАКТОРА ДЛЯ ПЛАЗМЕННОГО РАЗЛОЖЕНИЯ ЦИРКОНОВОГО КОНЦЕНТРАТА
О. Т. Данилова, к.ф.-м.н., доцент Тел.: (3812) 65 26 49, e-mail: olgdan56@gmail.com Омский государственный технический университет, http://www.omgtu.ru
In the present work the algorithm for calculating the parameters of heat - and mass particles zircon concentrate with plasma flow equilibrium frequency discharge is proposed. The accounting of polydispersity feedstock to determine the optimum flow rate, the temperature and length of the reaction zone is performed using the passage of D (d) and density of the log - normal distribution of particle according to the diameters.
В настоящей работе представлен алгоритм расчета параметров процессов тепло - и массообмена частиц цирконового концентрата с плазменным потоком равновесного высокочастотного разряда. Учет полидисперсности исходного сырья для определения оптимальной скорости потока, его температуры и длины реакционной зоны производится с помощью функции прохода D(d) и плотности cp(d) логарифмически - нормального распределения частиц по диаметрам.
Плазма, реактор, плазменная струя, тепло - и массообмен, plasma, reactors, plasma jet, heat - and mass transfer
Key words: Plasma, reactors, plasma jet, heat - and mass transfer
При организации плазменного процесса разложения и обогащения минеральных порошковых концентратов по целевому продукту требуется установить в зависимости от гранулометрического состава сырья температурный диапазон, при котором выделение полезных компонент
