INTELLIGENT SYSTEM OF DIAGNOSTICS OF THYROID GLAND PATHOLOGY

Authors

  • O. I. Chumachenko Національний технічний університет України «Київський політехнічний інститут ім. Ігоря Сікорського»
  • A. T. Kot Національний технічний університет України «Київський політехнічний інститут ім. Ігоря Сікорського»
  • О. O. Voitiuk Національний технічний університет України «Київський політехнічний інститут ім. Ігоря Сікорського»

DOI:

https://doi.org/10.18372/1990-5548.57.13228

Keywords:

Thyroid pathology diagnostics intelligent system, fuzzy neural networks, convolution neural networks.

Abstract

It is considered a principle of thyroid pathology diagnostics intelligent system structure. It is determined basic ultrasound images features for patients with thyroid cancers. The block diagram of intellectual diagnostics is proposed. It includes two basic subsystems: making decision support and image processing. As a classifier it is used fuzzy neural networks (NEFCLASS) due to its synergy capabilities: rule-based representation and generalization possibilities. As a activation function of rule neuron (to calculate of activation of rules on the basis of membership functions) the T-norm is used. It is used convolution neural networks for ultrasound images processing.

Author Biographies

O. I. Chumachenko, Національний технічний університет України «Київський політехнічний інститут ім. Ігоря Сікорського»

Кафедра технічної кібернетики

Кандидат технічних наук. Доцент

A. T. Kot, Національний технічний університет України «Київський політехнічний інститут ім. Ігоря Сікорського»

Кафедра технічної кібернетики

Аспірант

О. O. Voitiuk, Національний технічний університет України «Київський політехнічний інститут ім. Ігоря Сікорського»

Кафедра технічної кібернетики

Студент

References

G. E. Hinton and Vinod Nair, Rectrified Linear Units Improve Restricted Boltzmann Machines. 2011, pp. 56–66.

G. E. Hinton and R. R. Salakhutdinov, “Reducing the dimensionality of data with neural networks,” Science, vol. 313, no. 5786, pp. 504–507, 28 July 2006.

G. E. Hinton, A practical guide to training restricted Boltzmann machines. (Tech. Rep. 2010-000). Toronto: Machine Learning Group, University of Toronto. 2010, pp. 160–169.

V. Katkovnik, A. Foi, K. Dabov, and K. Egiazarian, “Spatially adaptive support as a leading model selection tool for image filtering,” Proc. First Workshop Inf. Th. Methods Sci. Eng., WITMSE, Tampere, August 2008, pp. 365–457.

R. Gonsales and R. Woods, Digital image processing, Moscow: Technosphera, 2005, 635 p.

V. M. Sineglazov, E. I. Chumachenko, and V. S. Gorbatuk, Intellectual prediction methods, Kyiv: Osvita Ukraine, 2013, 236 p.

V. A. Soyfera, Methods of computer image processing, ed. V. A. Soyfera. Moscow: Fizmatlit, 2003, 698 p.

Downloads

Issue

Vol. 3 No. 57 (2018)

Section

THEORY AND METHODS OF SIGNAL PROCESSING

License

Authors who publish with this journal agree to the following terms:

Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.

Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.

Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).