Система классификации двумерных сигналов для поддержки принятия решений

Данная работа посвящена тестированию системы поддержки принятия решений и анализа данных на основе искусственного интеллекта для поиска геометрически описываемых неоднородностей в двумерных сигналах. Перспективными для авторов работы представляются применения для выявления загрязнения на поверхности океана и для оценки объема поражения головного мозга при рассеянном склерозе. Тестирование выполнялось на основе 300 МРТ-исследований, разделенных на две группы. Данные полностью деперсонализированы и размечены. Оценивались следующие параметры: чувствительность, специфичность, среднее время обработки исследований, вероятность обнаружения, значение площади под ROC кривой на двух группах, процент ложноположительных, ложноотрицательных очагов, процент объема очагов в группе патологии. Было получено, что средняя точность тестируемой системы 0,89, средняя чувствительность 0,89, средняя специфичность 0,88. Кроме того, было показано, что реализованный инновационный продукт имеет отличные результаты не только по точности, но также по скорости и надежности, поскольку тестирование занимает в среднем всего 60 с для автоматической сегментации поражений рассеянного склероза

Ключевые слова: классификация двумерных сигналов, рассеянный склероз, МРТ-диагностика, искусственный интеллект, количественные измерения

Список использованных источников

  1. Б. В. Стрелков, М. Л. Белов, С. А. Тухватуллина, В. А. Городничев. Лазерный метод обнаружения нефтяных загрязнений на взволнованной морской поверхности, использующий угловое сканирование//Наука и образование. МГТУ им. Н.Э. Баумана. № 07, июль 2012.
  2. М. А. Кудрина. Использование преобразования Хафа для обнаружения прямых линий и окружностей на изображении//Известия Самарского научного центра Российской академии наук. Т. 16. № 4 (2). 2014. https://cyberleninka.ru/article/n/ispolzovanie-preobrazovaniya-hafa-dlya-obnaruzheniya-pryamyh-liniy-i-okruzhnostey-na-izobrazhenii.
  3. Neurohive. https://neurohive.io/ru/vidy-nejrosetej/u-net-image-segmentation.
  4. J. Le. How to do Semantic Segmentation using Deep learning. 2018. https://nanonets.com/blog/how-to-do-semantic-segmentation-using-deep-learning.
  5. M. D. Zeiler, R. Fergus. Visualizing and understanding convolutional networks. In European conference on computer vision//Springer, Cham. September, 2014. P. 818-833. https://arxiv.org/abs/1311.2901.
  6. И. Широкова, И. Сидорова. Диагноз: рассеянный склероз//Ремедиум. 2015. № 1-2. https://cyberleninka.ru/article/n/diagnoz-rasseyannyy-skleroz.
  7. Л. И. Соколова, Т. А. Кобысь, Н. В. Домрес. Современные критерии Макдональда в диагностике рассеянного склероза//Международный неврологический журнал. МНЖ. 2012. № 7 (53). https://cyberleninka.ru/article/n/sovremennye-kriterii-makdonalda-v-diagnostike-rasseyannogo-skleroza.
  8. V. Martinelli, M. Rodegher, L. Moiola, G. Comi. Late onset multiple sclerosis: clinical characteristics, prognostic factors and differential diagnosis//Neurological Sciences, 25(4), 2004. P. 350-355.
  9. C. Walton, R. King, L. Rechtman et al. Rising prevalence of multiple sclerosis worldwide: Insights from the Atlas of MS, third edition//Mult Scler. 2020. Dec 26(14): 1816-1821. doi: 10.1177/1352458520970841.
  10. E. E. Altay, E. Fisher, S. E. Jones et al. Reliability of Classifying Multiple Sclerosis Disease Activity Using Magnetic Resonance Imaging in a Multiple Sclerosis Clinic//JAMA Neurol. 2013, 70 (3): 338-344. doi: 0.1001/2013.jamaneurol.211.

 

Авторы