Інтелектуальна система діагностики стадій фіброзу печінки
DOI:
https://doi.org/10.18372/1990-5548.64.14853Ключові слова:
Інтелектуальна система, стадії фіброзу печінки, магнітно-резонансна томографія, згорткова нейронна мережа, алгоритм Transfer Learning, текстури, нечіткі нейронні мережіАнотація
Визначено необхідність побудови інтелектуальної системи діагностики стадій фіброзу печінки, для яких визначені значення параметрів що характеризують роботу печінки. В якості основного медичного обладнання, яке використовується для діагностики, розглядається магнітно-резонансна томографія. Розроблено структурну схему системи діагностики, яка включає підсистему обробки томограм і підсистема прийняття рішення. В якості базового елементу підсистеми обробки томограм використовується згорткова нейронна мережа, навчання якої проводиться за допомогою алгоритму Transfer Learning. Як параметри, що визначають стадію фіброзу печінки використовується текстура зображення. Підсистема підтримки прийняття рішення будується на основі нечекіх нейронних мереж. Наведено приклади роботи системи при визначенні стадій фіброзу.
Посилання
Parambir S. Dulai, Claude B. Sirlin, Rohit Loomba, “MRI and MRE for non-invasive quantitative assessment of hepatic steatosis and fibrosis in NAFLD and NASH: Clinical trials to clinical practice,” Journal of Hepatology, 2016, vol. 65, pp. 1006–1016. https://doi.org/10.1016/j.jhep.2016.06.005
Electronic resource: http://zdrav.expert/index.php/ 2019/11/28 11:44:21 Artificial_intelligence_in_medicine (in Russian)
S. Arsenyev, Extracting knowledge from medical databases, 2000. [Online course]. Access mode: http://crystalway.pspu.ru
V. M. Syneglazov, O. I. Chumachenko, and V. S. Gorbatiuk, Intellectual forecasting methods. Kyiv: Education of Ukraine, 2013, 236 p. (in Ukrainian)
I. L. Svito and A. I. Svito, “Overview of the use of neural networks,” Belarusian State University of Informatics and Radioelectronics, International scientific-Practical Conference, Innovations in publishing, printing and multimedia technologies 2019, pp. 127–135. (in Russian)
Xuejun Zhang, Xin Gao, Brent J. Liu, Kevin Ma, Wen Yan, Long Liling, Huang Yuhong, and Hiroshi Fujita, “Effective staging of fibrosis by the selected texture features of liver: Which one is better, CT or MR imaging?” Computerized Medical Imaging and Graphics, 46 (2015) 227–236. journal homepag e: www.elsevier.com/locate/compmedimag. https://doi.org/10.1016/j.compmedimag.2015.09.003
Jie Lu, Vahid Behbood, Peng Hao, Hua Zuo, and Shan Xue, and Guangquan Zhang, “Transfer Learning using Computational Intelligence: A Survey.” Electronic resource: https://www.uts.edu.au/sites/default/files/desi-publication-transfer%20learning%20using%20computational%20intelligence%20a%20survey-accepted%20menuscript.pdf
Sinno Jialin Pan and Qiang Yang Fellow, “A Survey on Transfer Learning,” Content may change prior to final publication. IEEE Transactions on Knowledge and Data Engineering. Electronic resource: https://www.cse.ust.hk/~qyang/Docs/2009/tkde_transfer_learning.pdf
##submission.downloads##
Номер
Розділ
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).
