Інтелектуальна система підтримки прийняття рішень для функціонального діагностування на гамма-камері

Abstract

UK: Пропонується метод інформаційного синтезу системи підтримки прийняття рішень для радіонуклідної діагностики органів людини при динамічному обстеженні на гамма-камері. Як приклад розглянуто процес діагностування функціонального стану нирок. Розроблено алгоритм сегментації серії сцинтиграм на основі інформаційно-екстремального кластер-аналізу просторово-часових векторів зміни яскравості пікселів та алгоритм інформаційно-екстремального машинного навчання для розпізнавання функціонального стану нирок за ренографічною кривою. Розроблені алгоритми грунтуються на адаптивному двійковому кодуванні ознак розпізнавання та оптимізації геометричних параметрів розбиття простору ознак на класи еквівалентності в процесі максимізації інформаційної спроможності системи підтримки прийняття рішень. Запропоновано модифікацію інформаційного критерію ефективності машинного навчання, що є функціоналом від помилки другого роду та першої достовірності. Аналізуються результати роєвої оптимізації вирішальних правил та показано результати автоматичної сегментації сцинтиграфічних даних з метою виділення зон інтересу і автоматичної класифікації ренограм для формування діагностичного висновку. Потужність алфавіту класів функціонального стану нирки становить три класи. Перший клас характеризує нормальний стан без видимих порушень функції нирок. Другий клас характеризує ураження ниркової паренхіми. Третій клас характеризує порушення уродинаміки. Зроблено висновок про достовірність отриманих вирішальних правил. EN; Method of information synthesis of a decision support system for radionuclide diagnostics of human organs during dynamic observation on gamma camera is proposed. By way of example, the process of diagnosis kidneys’ functional state is considered. Segmentation algorithm series of scintigrams based on information-extreme cluster analysis of time-spatial vectors of pixel brightness changing, algorithm of recognition functional state of kidneys using renogram curves based on information-extreme machine learning are developed. The developed information-extreme algorithms based on adaptive binary coding of feature values and on optimization of geometrical parameters of feature space partitioning into classes equivalence during the process of maximizing of decision support system’s information ability. The modified information criterion for estimate efficiency of machine learning which expressed in terms of false omission rate and positive predictive value is proposed. The results of parameters optimization of decision rules using the particle swarm algorithm are analyzed. The result of the automatic segmentation of scintigraphic data intended to highlight regions of interests, result of automatic classification of renogram curves intended to make-diagnosis are shown. Set of classes characterized three functional states of kidneys. The first class characterizes the normal state of renal function without any apparent violations. The second class characterizes renal parenchymal disease. The third class characterizes a impaired impaired urinary dynamics. It was concluded about the accuracy of the decision rules.