НЕЙРОННО-СЕТЕВОЙ ПОДХОД РАЗРАБОТКИ СИСТЕМЫ РАСПОЗНАВАНИЯ ОБРАЗОВ Никифоров В.И.

Поволжский государственный университет телекоммуникаций и информатики


Номер: 2-2
Год: 2016
Страницы: 52-54
Журнал: Актуальные проблемы гуманитарных и естественных наук

Ключевые слова

распознавание образов, нейронные сети, гистограммы, задачи идентификации, recognition of images, neural networks, histograms, problems of identification

Просмотр статьи

⛔️ (обновите страницу, если статья не отобразилась)

Аннотация к статье

В статье рассматривается реализация нейронно-сетевого подхода в задачах идентификации и интерпретации неоднородностей на рентгеновских изображениях, вопросы нейромоделирования, нахождение оптимальной архитектуры сети, разработка программных средств распознавания образов и визуализации.

Текст научной статьи

Современные лучевые изображения, формируемые в процессе обработки данных сканирования, представляют собой в большинстве случаев результат реализации тех или иных алгоритмов цифровой реконструкции (в частности, алгоритмов обработки данных рентгенологического эксперимента). Эти изображения довольно специфичны и требуют адекватной интерпретации. Задача сегментации рентгеновских изображений, т.е. выделения на этих изображениях областей, соответствующих биотканям с одинаковыми характеристиками, остается одной из самых актуальных для развития современных диагностических методов. Задачи данного класса относятся к разработке программных средств распознавания образов и визуализации. Нейронно-сетевой имеет преимущества перед традиционными математическими методами, если рассматриваемая задача не поддается адекватной формализации, поскольку содержит элементы неопределенности, не формализуемые традиционными математическими методами или существующий математический аппарат решения задачи не удовлетворяет требованиям получения решений по времени, размеру, качеству и др. Нейронно-сетевая концепция применительно к задаче визуализации определяется общими принципами функционирования многослойных перцептронов и включает в себя три этапа: а) сбор и подготовку данных; б) обучение перцептрона и в) распознавание. Следует отметить, что в отличие от стандартных математических процедур реконструкции важным этапом нейронно-сетевых вычислений является первый этап - этап представления и анализа данных измерений. Именно от того, в какой форме данные представлены, как произведены их предварительный отбор и фильтрация в определяющей степени зависит быстродействие современных алгоритмов обучения и в конечном счёте и способность нейронной сети к запоминанию (выделению характерных закономерностей в обучающих данных) и обобщению (адекватной обработке входных сигналов, не использовавшихся для обучения). В стандартной постановке задача решается минимизацией квадратичного функционала разницы вычисленного и - эталонной гистограммы и гистограмма реализации соответсвенно. Непосредственно для оценки состояния наблюдаемой сцены предложен квадратичный критерий близости гистограмм, который имеет вид , где - гистограмма реализации анализируемого сигнала; - число уровней квантования анализируемого сигнала. Нейронно-сетевой синтез осуществляется на множестве пар соответствующих векторов, где вектор - отвечает решению задачи идентификации по данным измерениям для - -го набора параметров из обучающего множества. Результатом нейронно-сетевого синтеза является нахождение параметров оптимального отображения, а не определение компонент вектора , оптимально соответствующего данным единичного измерения . Таким образом, задача, решаемая на основе обучения многослойного перцептрона, сводится к нахождению архитектуры нейронной сети и соответствующего этой архитектуре набора весовых коэффициентов синаптических связей и величин смещений, при которых отображение «характеристики распределения - параметры неоднородности» выполняется в пределах допустимой ошибки для каждой пары, используемой в процессе обучения. Задача интерпретации рентгеновских изображений решается в рамках выбраной математической модели для каждого набора параметров из обучающего множества. Так, если идентифицируемым параметром является положение центра распределения интенсивности яркости, для которого известны его геометрические размеры и гистограммы, то подготовка входных данных для нейронной сети сводится к многократному вычислению амплитуд градиентов интенсивности яркости для различных значений -координаты центра неоднородности. Блок-схема нейронно-сетевой идентификации, сформулированной выше, представлена на рис.1 Рис.1. - Блок-схема нейронно-сетевой идентификации Эксцессивная гистограмма носит унимодальный характер с максимальным значением интенсивности яркости и характеризуется узким основанием и заостренной вершиной, что говорит об отсутствии неоднородностей в выделенной зоне. Многовершинная гистограмма, в пределах которой происходит перераспределение значений яркости, а также изменение значений их максимумов, характерная для рентгеновских изображений и свидетельствует о наличии множественных артефактов. Рис.2. -Эксцессивная и многовершинная гистограмма рассеянного поля Таким образом, интерпретируется все исследуемые гистограммы и прослеживается высокая скорость обучения нейронной сети. Проведённое тестирование демонстрирует хорошее соответствие результатов нейронно-сетевой идентификации эталонным данным, в том числе и для случая зашумленных входных данных. Нейронная сеть архитектуры была настроена на идентификацию распределения гистограмм и представлением на её вход 60 пар изображений «характеристики распределения - параметры неоднородности». Нейромоделирование сводится к многочисленным экспериментам, нахождению оптимальной архитектуры сети, а также к выбору функций активации, подстройке смещений и т.д., обеспечивающих наиболее быстрое обучение сети при решении конкретной задачи идентификации лучевых изображений.

Научные конференции

 

(c) Архив публикаций научного журнала. Полное или частичное копирование материалов сайта возможно только с письменного разрешения администрации, а также с указанием прямой активной ссылки на источник.