ИСПОЛЬЗОВАНИЕ ДЕРЕВЬЕВ КЛАССИФИКАЦИИ ДЛЯ РАСПОЗНАВАНИЯ ОБЪЕКТОВ НА ЦИФРОВЫХ ИЗОБРАЖЕНИЯХ МИКРОСКОПИЧЕСКИХ ПРЕПАРАТОВ

Artem Nikolaevich Narkevich


Аннотация


Цель. Построение математических моделей деревьев классификации для распознавания объектов на цифровых микроскопических изображениях мокроты, окрашенной по методу Циля-Нильсена.

Материалы и методы. Использовались данные о 177 393 объектах, выделенных на цифровых изображениях микроскопических препаратов: 6 708 объектов – кислотоустойчивые микобактерии, 170 685 – иные объекты. Анализ объектов производился по 240 цветовым и морфометрическим признакам. Для классификации объектов использовались деревья классификации, построенные различными методами.

Результаты. Наибольшим показателем точности обладает дерево классификации, построенное методом Исчерпывающий CHAID, но данное дерево имеет более низкий показатель чувствительности по сравнению с деревом классификации, построенным методом CHAID. При этом последнее упомянутое дерево классификации включает в себя меньшее количество параметров объектов, необходимых для классификации. Чувствительность дерева классификации построенного методом CHAID составила 94,0 [93,4; 94,6]%, специфичность – 92,1 [92,0; 92,1]%, точность – 92,2 [92,1; 92,3]%.

Заключение. Построенные с использованием различных методов деревья классификации позволяют осуществлять автоматическое распознавание объектов, выделяемых на цифровых микроскопических изображениях мокроты, окрашенной по методу Циля-Нильсена. При этом наилучшими показателями, характеризующими диагностическую способность данных моделей, для решения данной задачи обладает дерево классификации, построенное методом CHAID.


Ключевые слова


деревья классификации; математическое моделирование; кислотоустойчивые микобактерии; бактериоскопическая диагностика

Полный текст:

PDF>PDF

Литература


Kaplan A., Lock E.F. Prediction with dimension reduction of multiple molecular data sources for patient survival. Cancer informatics, 2017, № 16, e1176935117718517.

Birjandtalab J., Baran Pouyan M., Cogan D., Nourani M., Harvey J. Automated seizure detection using limited-channel EEG and non-linear dimension reduction. Computers in biology and medicine, 2017, № 82, pp. 49–58.

Gritsinskaya V.L., Moskalenko O.L. Ispol’zovanie komp’yuternykh tekhnologiy pri provedenii dispanserizatsii detskogo naseleniya Respubliki Tyva [The use of computer technologies at carrying out of prophylactic medical examination of children of the Republic of Tuva]. V mire nauchnykh otkrytiy [Siberian Journal of Life Sciences and Agriculture], 2017, № 2, pp. 158–167.

Tu Y., Tan A., Fu Z., Sam Hung Y., Hu L., Zhang Zh. Supervised nonlinear dimension reduction of functional magnetic resonance imaging data using Sliced Inverse Regression. Conference proceedings: 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, Milan, 2015, pp. 2641–2645.

Strizhov V.V., Motrenko A.P. Mnogoklassovaya logisticheskaya regressiya dlya prognoza veroyatnosti nastupleniya infarkta [Multi-class logistic regression to predict the probability of a heart attack]. Izvestiya Tul’skogo gosudarstvennogo universiteta. Estestvennye nauki [Proceedings of the Tula state University. More natural science], 2012, № 1, pp. 153–162.

Garganeeva N.P., Leonov V.P. Logisticheskaya regressiya v analize svyazi arterial’noy gipertonii i psikhicheskikh rasstroystv [Logistic regression in the analysis of the relationship between hypertension and mental upset]. Sibirskiy meditsinskiy zhurnal [Siberian medical journal], 2001, Vol. 16, № 3-4, pp. 42–48.

Mikshina V.S., Pavlov S.I. Ispol’zovanie logisticheskoy regressii pri vybore sposoba kardioplegii [The use of logistic regression in choosing a method of cardioplegia]. Vestnik Tomskogo gosudarstvennogo universiteta. Upravlenie, vychislitel’naya tekhnika i informatika [Vestnik of Tomsk state University. Management, computer engineering and computer science], 2017, № 39, pp. 49–56.

Andosova L.D., Kontorshchikova K.N., Shakhova K.A. Mnogofaktornyy regressionnyy analiz v prognoze razvitiya tservikal’nykh porazheniy infektsionnogo geneza [Multivariate regression analysis in prediction of cervical porazheniy infectious Genesis]. Meditsinskiy al’manakh [Medical almanac], 2017, № 2, pp. 111–113.

Bogomolov S.N., Solntsev V.N., Kulikov A.N., Kuchmin A.N. Vozmozhnosti elektrokardiografii v diagnostike gipertrofii miokarda levogo zheludochka [Possibilities of electrocardiography in the diagnosis of left ventricular hypertrophy]. Vestnik Rossiyskoy voenno-meditsinskoy akademii [Bulletin of the Russian military medical Academy], 2016, № 3, pp. 51–56.

Bezrukov N.S., Eremin E.L., Kolosov V.P., Perel’man Yu.M., Khizhnyak Yu.Yu. Sistemy otsenki kontroliruemosti bronkhial’noy astmy [Evaluation system accountability bronchial asthma]. Informatika i sistemy upravleniya [Informatics and control systems], 2009, № 4, pp. 159–163.

Bystritskaya T.S., Shtel’ N.N., Lysyak D.S. Prognozirovanie platsentarnoy nedostatochnosti u beremennykh s narusheniem stanovleniya menstrual’noy funktsii v pubertatnom periode [Prediction placentary insufficiency in pregnant women with impaired formation menstrual function in the pubertal period]. Byulleten’ fiziologii i patologii dykhaniya [Bulletin of physiology and pathology of respiration], 2011, № 42, pp. 55–59.

Prozorova A.V., Prikhod’ko A.G. Postroenie prognoznoy modeli progressiruyushchego techeniya khronicheskoy obstruktivnoy bolezni legkikh [Constructing a predictive model of progressive course of chronic obstructive pulmonary disease]. Informatika i sistemy upravleniya [Informatics and control systems], 2008, № 2, pp. 168–169.

Filist S.A., Shatalova O.V., Efremov M.A. Gibridnaya neyronnaya set’ s makrosloyami dlya meditsinskikh prilozheniy [Hybrid neural network macro slope for medical applications]. Neyrokomp’yutery: razrabotka, primenenie [Neurocomputers: development, application], 2014, № 6, pp. 35–69.

Barskiy A.B., Dmitpiev A.A., Bapskaya O.A. Meditsinskie informatsionno-spravochnye sistemy na logicheskikh neyronnykh setyakh [Medical information and referral system for Boolean neural networks]. Informatsionnye tekhnologii [Information technologies], 2010, № 1, pp. 1–32.

Petrov S.B., Sheshunov I.V. Otsenka effektivnosti primeneniya iskusstvennykh neyronnykh setey v mediko-ekologicheskikh issledovaniyakh [Evaluation of the effectiveness of the use of artificial neural networks in medical and environmental research]. Fundamental’nye issledovaniya [Fundamental study], 2013, № 9–6, pp. 1098–1101.

Mukha Yu.P., Skvortsov M.G., Druzhinin D.G. Metrologicheskoe opisanie neyronnykh setey [Metrological description of neural networks]. Biomeditsinskie tekhnologii i radioelektronika [Biomedical technologies and radioelectronics], 2002, № 4, pp. 20–23.

Gul’tyaeva T.A., Popov A.A., Sautin A.S. Metody statisticheskogo obucheniya v zadachakh regressii i klassifikatsii [Methods of statistical training in regression and classification problems]. Novosibirsk: Novosibirskiy gosudarstvennyy tekhnicheskiy universitet, 2016. 323 p.

Cherednichenko A.G., Revyakina O.V., Petrenko T.I. Sostoyanie laboratornoy sluzhby po diagnostike tuberkuleza v Sibirskom i Dal’nevostochnom federal’nykh okrugakh [As a laboratory service for the diagnosis of tuberculosis in the Siberian and far Eastern Federal districts]. Tuberkulez i bolezni legkikh [Tuberculosis and lung disease], 2014, №5, pp. 16–20.

Mezentseva N.I., Evgushchenko G.V., Puzanov V.A., Popov S.A., Freyman G.E. Otsenka kachestva diagnostiki tuberkuleza metodami mikroskopii v RF za 2011-2014 gg. po rezul’tatam FSVOK [Estimation of quality of diagnostics of tuberculosis by methods of microscopy in the Russian Federation for 2011–2014 by results of FSVOK]. Tuberkulez i bolezni legkikh [Tuberculosis and lung disease], 2015, №6, pp. 96–97.

Eremeeva N.I., Vakhrusheva D.V. Effektivnost’ vyyavleniya bol’nykh tuberkulezom s bakteriovydeleniem v kliniko-diagnosticheskikh laboratoriyakh uchrezhdeniy pervichnoy mediko-sanitarnoy pomoshchi Urala v 2010–2012 gg. [The efficiency of detection of tuberculosis with bacterial excretion in clinical diagnostic laboratories of the primary health-care Urals in 2010-2012]. Tuberkulez i bolezni legkikh [Tuberculosis and lung disease], 2015, №7, pp. 40–42.

Narkevich A.N., Vinogradov K.A., Koretskaya N.M., Soboleva V.O. Segmentatsiya mikroskopicheskikh izobrazheniy mokroty, okrashennoy po metodu Tsilya-Nil’sena, s ispol’zovaniem veyvlet-preobrazovaniya Mexican Hat [Segmentation of microscopic images of sputum stained by the method of Ziehl-Nielsen, using wavelet transform Mexican Hat]. Acta Biomedica Scientifica [Acta Biomedica Scientifica], 2017, Vol. 2, № 5, pp. 141–146.

Narkevich A.N., Vinogradov K.A., Koretskaya N.M. Parametrizatsiya ob”ektov na tsifrovykh mikroskopicheskikh izobrazheniyakh mokroty, okrashennoy po metodu Tsilya-Nil’sena [Parameterization of objects on digital microscopic images of sputum stained by the method of Ziehl-Nielsen]. Sibirskoe meditsinskoe obozrenie [Siberian medical review], 2017, № 5, pp. 53–59.




DOI: https://doi.org/10.12731/wsd-2018-3-12-23

Ссылки

  • На текущий момент ссылки отсутствуют.




(c) 2018 Artem Nikolaevich Narkevich

Лицензия Creative Commons
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.

ISSN 2072-0831 (print)

ISSN 2307-9428 (online)

                              

Контент доступен под лицензией Creative Commons Attribution-NonCommercial-NoDerivs 4.0.

HotLog Яндекс цитирования