Nastenko Ie. A. Forming the stack of texture features for liver ultrasound images classification = Формування стеку текстурних ознак для класифікації ультразвукових зображень печінки / Ie. A. Nastenko, V. A. Pavlov, M. O. Honcharuk, D. Yu. Hrishko // Herald of Advanced Inform. Technology. - 2020. - 3, № 4. - С. 240-251. - Бібліогр.: 30 назв. - англ.Розглянуто використання методів текстурного аналізу для отримання інформативних ознак, які описують текстуру ультразвукових зображень печінки. Всього для дослідження проаналізовано 317 знімків ультразвукового дослідження печінки, які були надані Інститутом ядерної медицини та променевої діагностики НАМН України. Знімки були взяті трьома різними датчиками (конвексним, лінійним, і лінійним датчиком у режимі підвищеного рівня сигналу). У базі присутні як знімки пацієнтів із печінкою в нормальному стані, так і пацієнтів із певною хворобою печінки (були в наявності такі хвороби, як: аутоімунний гепатит, хвороба Вільсона, гепатит B і C, стеатоз і цироз). За допомогою текстурного аналізу зроблено "конструювання ознак", що в підсумку дало більше ста різних інформативних ознак, які склали загальний стек. Серед них різняться такі ознаки, як: 3 запатентованих авторами ознаки, отриманих із матриці суміжності відтінків сірого; ознаки, отримані за допомогою методу просторової розгортки (що працює за принципом методу групового врахування аргументів), який був застосований на ультразвукових зображеннях; статистичні ознаки, пораховані на зображеннях, приведених до єдиної шкали за допомогою запропонованих авторами матриць горизонтальної та вертикальної диференціацій; знайдені за допомогою генетичного алгоритму ансамблі пар градацій сірого, які найкращим чином розрізняють патологію печінки на зображеннях, трансформованих за допомогою горизонтальної та вертикальної диференціацій. Отриманий стек ознак використано для вирішення завдання бінарної класифікації ("норма-патологія") ультразвукових зображень печінки. Для цього використано метод машинного навчання, а саме - "випадковий ліс". Перед виконанням класифікації, для отримання об'єктивних результатів загальні вибірки були поділені на: навчальну (70 %), тестову (20 %) та екзаменаційну (10 %). В результаті отримано 3 найкращі моделі випадкового лісу окремо під кожен датчик, які дали такі показники розпізнавання: на конвексному датчику точність розпізнавання дорівнювала 93,4 %, на лінійному датчику - 92,9 %, на лінійному датчику в посиленому режимі - 92 %. Індекс рубрикатора НБУВ: З970.632.4 + Р413.5-4
Рубрики:
Шифр НБУВ: Ж101737 Пошук видання у каталогах НБУВ
Повний текст Наукова періодика України
![](/irbis_nbuv/images/info.png) Якщо, ви не знайшли інформацію про автора(ів) публікації, маєте бажання виправити або відобразити більш докладну інформацію про науковців України запрошуємо заповнити "Анкету науковця"
|