Інтелектуальна система діагностики патології щитовидної залози

Автор(и)

  • 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

Ключові слова:

Iнтелектуальна система діагностики патології щитовидної залози, нечіткі нейронні мережі, згорткові нейронні мережі

Анотація

Розглянуто принцип побудови інтелектуальної системи діагностики патологій щитовидної залози. Визначено основні особливості ультразвукових зображень для пацієнтів з раком щитовидної залози. Запропоновано структурну схему інтелектуальної діагностики, яка включає дві основні підсистеми: підтримки прийняття рішень і обробки зображень. В якості класифікатора використовується нечітка нейронна мережа (NEFCLLASS) через її синергетичні можливості: представлення результату на основі правил і можливості узагальнення. Як функції активації нейрона (для розрахунку активації правил на основі функцій приналежності) використовується Т-норма. Для обробки ультразвукових зображень використовується згорткова нейронна мережа.

Біографії авторів

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

Посилання

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.

##submission.downloads##

Номер

Том 3 № 57 (2018)

Розділ

ТЕОРІЯ ТА МЕТОДИ ОБРОБЛЕННЯ СИГНАЛІВ

Ліцензія

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).