Методы и программные средства для анализа и диагностики сложных патологий зрения
Ключевые слова:
искусственный интеллект, поддержка принятия решений, обработка и анализ данных, нейронная сеть, диагностика, патология зрения
Аннотация
Работа посвящена актуальным вопросам, связанным с разработкой перспективных интеллектуальных систем поддержки принятия решений (ИСППР) при анализе и диагностике сложных проблемных ситуаций на примере диагностики сложных патологий зрения. Цель исследования — разработка прототипа ИСППР, который позволял бы строить в автоматическом режиме заключения о возможном диагнозе на основе результатов медицинских исследований, получаемых со специального аппарата (электроретинографа), результатов обследования пациента и знаний экспертов-физиологов. Электроретинографией называют метод оценки функционального состояния сетчатки, основанный на регистрации биопотенциалов, возникающих в ней при световом раздражении, а отображающую их кривую именуют электроретинограммой. Используемые методы включают в себя методы построения онтологий, нейронных сетей, обратной разработки приложений, построения ИСППР на основе экспертных знаний и человеко-машинных интерфейсов. Рассмотрены также методы для предварительной (препроцессорной) обработки больших данных и организации их хранения в специализированной базе данных, а также отображения выдаваемых системой результатов (диагностических решений). Новизна предлагаемого подхода состоит в интеграции ряда методов, а также обосновании применения онтологии и нереляционной модели (базы данных), в плане расширения сферы их применения на ранние стадии заболевания и повышения качества диагностики патологий зрения. Указаны разработанные программные средства прототипа ИСППР. Представленные исследования и разработки выполнены совместно кафедрой прикладной математики и искусственного интеллекта НИУ «МЭИ» и отделом клинической физиологии зрения Московского НИИ глазных болезней им. Гельмгольца.
Литература
1. Шамшинова А.М. Электроретинография в офтальмологии. М.: Медика, 2009.
2. Eremeev A.P., Tcapenko I.V. The Use of Cognitive Graphics in the Diagnosis of Complex Vision Pathologies // Intern. J. Information Theories and Appl. 2019. V. 26. No. 1. Рр. 83—99.
3. Eremeev A.P., Ivliev S.A. Data Collection and Preparation of Training Samples for Problem Diagnosis of Vision Pathologies // Proc. 17 Russian Conf. Artificial Intelligence. 2019. V. 1093. Pр. 271—282.
4. Анисимов Д.Н., Вершинин Д.В., Колосов О.С., Зуева М.В., Цапенко И.В. Диагностика текущего состояния динамических объектов и систем сложной структуры методами нечеткой логики с использованием имитационных моделей // Искусственный интеллект и принятие решений. 2012. № 3. С. 39—50.
5. Eremeev A.P., Ivliev S.A. Using Convolutional Neural Networks for the Analysis of Nonstationary Signals on the Problem Diagnostics Vision Pathologies // Proc. 16 Russian Conf. Artificial Intelligence. 2018. V. 934. Рp. 164—175.
6. Eremeev A.P., Ivliev S.A., Vagin V.N. Using NoSql Databases and Machine Learning for Implementation of Intelligent Decision System in Complex Vision Pathologies // Proc. III Russian-pacific Conf. Computer Technol. and Appl. Vladivostok, 2018. Рp. 1—4.
7. Barrac R. e. a. A Comparison Among Different Techniques for Human ERG Signals Processing and Classification // Physica Medica: European J. Medical Phys. 2014. V. 30. Iss. 1. Рp. 86—95.
8. Цапенко И.В. Электрофизиологические исследования в диагностике заболеваний сетчатки и зрительного нерва (I). М: ФГУ «МНИИ глазных болезней им. Г. Гельмгольца Минздрава России», 2017.
9. Джарратано Д., Райли Г. Экспертные системы: принципы разработки и программирование. М.: Вильямс, 2007.
10. Еремеев А.П., Куриленко И.В. Реализация вывода в темпоральных моделях ветвящегося времени // Известия РАН. Серия «Теория и системы управления». 2017. № 1. С. 107—127.
11. Ken Ka-Yin Leea, Wai-Choi Tangb, Kup-Sze Choia. Alternatives to Relational Database: Comparison of NoSQL and XML Approaches for Clinical Data Storage // Computer Methods and Programs in Biomedicine. 2013. V. 110. Pp. 99—109.
12. Goli-Malekabady Z., Akbari M.K., Javan M.S. An Effective Model for Store and Retrieve Big Health Data in Cloud Computing // Computer Methods and Programs in Biomedicine. 2016. V. 132. Pp. 75—82.
13. Козлов И.А. Анализ и классификация нереляционных баз данных // Молодежный научно-технический вестник. 2013. № 2. С. 12—19.
14. Lämmel R. Google’s MapReduce Programming Model — Revisited // Sci. of Computer Programming. 2008. V. 70. Iss. 1. Pp. 1—30.
15. Naresh Kumar Gundla, Zhengxin Chen. Creating NoSQL Biological Databases with Ontologies for Query Relaxation // Procedia Computer Sci. 2016. V. 91. Pp. 460—469.
16. Еремеев А.П., Ивлиев С.А. Анализ и диагностика сложных патологий зрения на основе вейвлет-преобразований и нейросетевого подхода // Интегрированные модели и мягкие вычисления в искусственном интеллекте: Сборник трудов VIII Междунар. науч.-техн. конф. М.: Физматлит, 2015. T. 2. С. 589—595.
17. Brynolfsson J., Sandsten M. Classification of One-dimensional Non-Stationary Signals using the Wigner-Ville Distribution in Convolutional Neural Networks // Proc. 25 European Signal Conf. Kos, 2017. Pp. 326—330.
18. Lee H., Grosse R., Ranganath R., Ng A.Y. Convolutional Deep Belief Networks for Scalable Unsupervised Learning of Hierarchical Representations // Proc. 26 Annual Intern. Conf. Machine Learning. Montreal, 2009. Pp. 609—616.
19. Geert Litjens e. a. A survey on Deep Learning in Medical Image Analysis // Medical Image Analysis. 2017. V. 42. Pp. 60—88.
20. Krizhevsky A., Sutskever I., Hinton G.E. Imagenet Classification with Deep Convolutional Neural Networks. // Advances in Neural Information Proc. Syst. 2012. V. 25 (2). Pp. 1097—1105.
21. Davies E.R. Computer Vision: Principles, Algorithms, Applications, Learning. London: Elsevier, 2018. Pp. 453—493.
22. Bo L., Ren X., Fox D. Unsupervised Feature Learning for rgb-d Based Object Recognition // Experimental Robotics. N.-Y.: Springer, 2013. Рp. 387—402.
---
Для цитирования: Еремеев А.П., Ивлиев С.А. Методы и программные средства для анализа и диагностики сложных патологий зрения // Вестник МЭИ. 2020. № 5. С. 140—147. DOI: 10.24160/1993-6982-2020-5-140-147.
#
1. Shamshinova A.M. Elektroretinografiya v Oftal'mologii. M.: Medika, 2009. (in Russian).
2. Eremeev A.P., Tcapenko I.V. The Use of Cognitive Graphics in the Diagnosis of Complex Vision Pathologies. Intern. J. Information Theories and Appl. 2019;26;1:83—99.
3. Eremeev A.P., Ivliev S.A. Data Collection and Preparation of Training Samples for Problem Diagnosis of Vision Pathologies. Proc. 17 Russian Conf. Artificial Intelligence. 2019;1093:271—282.
4. Anisimov D.N., Vershinin D.V., Kolosov O.S., Zueva M.V., Tsapenko I.V. Diagnostika Tekushchego Sostoyaniya Dinamicheskikh Ob′ektov i sistem Slozhnoy Struktury Metodami Nechetkoy Logiki s Ispol'zovaniem Imitatsionnykh Modeley. Iskusstvennyy Intellekt i Prinyatie Resheniy. 2012;3:39—50. (in Russian).
5. Eremeev A.P., Ivliev S.A. Using Convolutional Neural Networks for the Analysis of Nonstationary Signals on the Problem Diagnostics Vision Pathologies. Proc. 16 Russian Conf. Artificial Intelligence. 2018;934:164—175.
6. Eremeev A.P., Ivliev S.A., Vagin V.N. Using NoSql Databases and Machine Learning for Implementation of Intelligent Decision System in Complex Vision Pathologies. Proc. III Russian-pacific Conf. Computer Technol. and Appl. Vladivostok, 2018:1—4.
7. Barrac R. e. a. A Comparison Among Different Techniques for Human ERG Signals Processing and Classification. Physica Medica: European J. Medical Phys. 2014;30;1:86—95.
8. Tsapenko I.V. Elektrofiziologicheskie Issledovaniya v Diagnostike Zabolevaniy Setchatki i Zritel'nogo Nerva (I). M: FGU «MNII Glaznykh Bolezney im. G. Gel'mgol'tsa Minzdrava Rossii», 2017. (in Russian).
9. Dzharratano D., Rayli G. Ekspertnye Sistemy: Printsipy Razrabotki i Programmirovanie. M.: Vil'yams, 2007. (in Russian).
10. Eremeev A.P., Kurilenko I.V. Realizatsiya Vyvoda v Temporal'nykh Modelyakh Vetvyashchegosya Vremeni. Izvestiya RAN. Seriya «Teoriya i Sistemy Upravleniya». 2017;1:107—127. (in Russian).
11. Ken Ka-Yin Leea, Wai-Choi Tangb, Kup-Sze Choia. Alternatives to Relational Database: Comparison of NoSQL and XML Approaches for Clinical Data Storage. Computer Methods and Programs in Biomedicine. 2013;110:99—109.
12. Goli-Malekabady Z., Akbari M.K., Javan M.S. An Effective Model for Store and Retrieve Big Health Data in Cloud Computing. Computer Methods and Programs in Biomedicine. 2016;132:75—82.
13. Kozlov I.A. Analiz i Klassifikatsiya Nerelyatsionnykh Baz Dannykh. Molodezhnyy Nauchno-tekhnicheskiy Vestnik. 2013;2:12—19. (in Russian).
14. Lämmel R. Google’s MapReduce Programming Model — Revisited. Sci. of Computer Programming. 2008;70;1:1—30.
15. Naresh Kumar Gundla, Zhengxin Chen. Creating NoSQL Biological Databases with Ontologies for Query Relaxation. Procedia Computer Sci. 2016;91:460—469.
16. Eremeev A.P., Ivliev S.A. Analiz i Diagnostika Slozhnykh Patologiy Zreniya na Osnove Veyvlet-preobrazovaniy i Neyrosetevogo Podkhoda. Integrirovannye Modeli i Myagkie Vychisleniya v Iskusstvennom Intellekte: Sbornik Trudov VIII Mezhdunar.Nauch.-tekhn. Konf. M.: Fizmatlit, 2015;2:589—595. (in Russian).
17. Brynolfsson J., Sandsten M. Classification of One-dimensional Non-Stationary Signals using the Wigner-Ville Distribution in Convolutional Neural Networks. Proc. 25 European Signal Conf. Kos, 2017:326—330.
18. Lee H., Grosse R., Ranganath R., Ng A.Y. Convolutional Deep Belief Networks for Scalable Unsupervised Learning of Hierarchical Representations. Proc. 26 Annual Intern. Conf. Machine Learning. Montreal, 2009:609—616.
19. Geert Litjens e. a. A survey on Deep Learning in Medical Image Analysis. Medical Image Analysis. 2017;42:60—88.
20. Krizhevsky A., Sutskever I., Hinton G.E. Imagenet Classification with Deep Convolutional Neural Networks.. Advances in Neural Information Proc. Syst. 2012;25 (2):1097—1105.
21. Davies E.R. Computer Vision: Principles, Algorithms, Applications, Learning. London: Elsevier, 2018:453—493.
22. Bo L., Ren X., Fox D. Unsupervised Feature Learning for rgb-d Based Object Recognition. Experimental Robotics. N.-Y.: Springer, 2013:387—402.
---
For citation: Eremeev A.P., Ivliev A.A. Methods and Software for Analysis and Diagnostics of Complex Vision Pathologies. Bulletin of MPEI. 2020;5:140—147. (in Russian). DOI: 10.24160/1993-6982-2020-5-140-147.
2. Eremeev A.P., Tcapenko I.V. The Use of Cognitive Graphics in the Diagnosis of Complex Vision Pathologies // Intern. J. Information Theories and Appl. 2019. V. 26. No. 1. Рр. 83—99.
3. Eremeev A.P., Ivliev S.A. Data Collection and Preparation of Training Samples for Problem Diagnosis of Vision Pathologies // Proc. 17 Russian Conf. Artificial Intelligence. 2019. V. 1093. Pр. 271—282.
4. Анисимов Д.Н., Вершинин Д.В., Колосов О.С., Зуева М.В., Цапенко И.В. Диагностика текущего состояния динамических объектов и систем сложной структуры методами нечеткой логики с использованием имитационных моделей // Искусственный интеллект и принятие решений. 2012. № 3. С. 39—50.
5. Eremeev A.P., Ivliev S.A. Using Convolutional Neural Networks for the Analysis of Nonstationary Signals on the Problem Diagnostics Vision Pathologies // Proc. 16 Russian Conf. Artificial Intelligence. 2018. V. 934. Рp. 164—175.
6. Eremeev A.P., Ivliev S.A., Vagin V.N. Using NoSql Databases and Machine Learning for Implementation of Intelligent Decision System in Complex Vision Pathologies // Proc. III Russian-pacific Conf. Computer Technol. and Appl. Vladivostok, 2018. Рp. 1—4.
7. Barrac R. e. a. A Comparison Among Different Techniques for Human ERG Signals Processing and Classification // Physica Medica: European J. Medical Phys. 2014. V. 30. Iss. 1. Рp. 86—95.
8. Цапенко И.В. Электрофизиологические исследования в диагностике заболеваний сетчатки и зрительного нерва (I). М: ФГУ «МНИИ глазных болезней им. Г. Гельмгольца Минздрава России», 2017.
9. Джарратано Д., Райли Г. Экспертные системы: принципы разработки и программирование. М.: Вильямс, 2007.
10. Еремеев А.П., Куриленко И.В. Реализация вывода в темпоральных моделях ветвящегося времени // Известия РАН. Серия «Теория и системы управления». 2017. № 1. С. 107—127.
11. Ken Ka-Yin Leea, Wai-Choi Tangb, Kup-Sze Choia. Alternatives to Relational Database: Comparison of NoSQL and XML Approaches for Clinical Data Storage // Computer Methods and Programs in Biomedicine. 2013. V. 110. Pp. 99—109.
12. Goli-Malekabady Z., Akbari M.K., Javan M.S. An Effective Model for Store and Retrieve Big Health Data in Cloud Computing // Computer Methods and Programs in Biomedicine. 2016. V. 132. Pp. 75—82.
13. Козлов И.А. Анализ и классификация нереляционных баз данных // Молодежный научно-технический вестник. 2013. № 2. С. 12—19.
14. Lämmel R. Google’s MapReduce Programming Model — Revisited // Sci. of Computer Programming. 2008. V. 70. Iss. 1. Pp. 1—30.
15. Naresh Kumar Gundla, Zhengxin Chen. Creating NoSQL Biological Databases with Ontologies for Query Relaxation // Procedia Computer Sci. 2016. V. 91. Pp. 460—469.
16. Еремеев А.П., Ивлиев С.А. Анализ и диагностика сложных патологий зрения на основе вейвлет-преобразований и нейросетевого подхода // Интегрированные модели и мягкие вычисления в искусственном интеллекте: Сборник трудов VIII Междунар. науч.-техн. конф. М.: Физматлит, 2015. T. 2. С. 589—595.
17. Brynolfsson J., Sandsten M. Classification of One-dimensional Non-Stationary Signals using the Wigner-Ville Distribution in Convolutional Neural Networks // Proc. 25 European Signal Conf. Kos, 2017. Pp. 326—330.
18. Lee H., Grosse R., Ranganath R., Ng A.Y. Convolutional Deep Belief Networks for Scalable Unsupervised Learning of Hierarchical Representations // Proc. 26 Annual Intern. Conf. Machine Learning. Montreal, 2009. Pp. 609—616.
19. Geert Litjens e. a. A survey on Deep Learning in Medical Image Analysis // Medical Image Analysis. 2017. V. 42. Pp. 60—88.
20. Krizhevsky A., Sutskever I., Hinton G.E. Imagenet Classification with Deep Convolutional Neural Networks. // Advances in Neural Information Proc. Syst. 2012. V. 25 (2). Pp. 1097—1105.
21. Davies E.R. Computer Vision: Principles, Algorithms, Applications, Learning. London: Elsevier, 2018. Pp. 453—493.
22. Bo L., Ren X., Fox D. Unsupervised Feature Learning for rgb-d Based Object Recognition // Experimental Robotics. N.-Y.: Springer, 2013. Рp. 387—402.
---
Для цитирования: Еремеев А.П., Ивлиев С.А. Методы и программные средства для анализа и диагностики сложных патологий зрения // Вестник МЭИ. 2020. № 5. С. 140—147. DOI: 10.24160/1993-6982-2020-5-140-147.
#
1. Shamshinova A.M. Elektroretinografiya v Oftal'mologii. M.: Medika, 2009. (in Russian).
2. Eremeev A.P., Tcapenko I.V. The Use of Cognitive Graphics in the Diagnosis of Complex Vision Pathologies. Intern. J. Information Theories and Appl. 2019;26;1:83—99.
3. Eremeev A.P., Ivliev S.A. Data Collection and Preparation of Training Samples for Problem Diagnosis of Vision Pathologies. Proc. 17 Russian Conf. Artificial Intelligence. 2019;1093:271—282.
4. Anisimov D.N., Vershinin D.V., Kolosov O.S., Zueva M.V., Tsapenko I.V. Diagnostika Tekushchego Sostoyaniya Dinamicheskikh Ob′ektov i sistem Slozhnoy Struktury Metodami Nechetkoy Logiki s Ispol'zovaniem Imitatsionnykh Modeley. Iskusstvennyy Intellekt i Prinyatie Resheniy. 2012;3:39—50. (in Russian).
5. Eremeev A.P., Ivliev S.A. Using Convolutional Neural Networks for the Analysis of Nonstationary Signals on the Problem Diagnostics Vision Pathologies. Proc. 16 Russian Conf. Artificial Intelligence. 2018;934:164—175.
6. Eremeev A.P., Ivliev S.A., Vagin V.N. Using NoSql Databases and Machine Learning for Implementation of Intelligent Decision System in Complex Vision Pathologies. Proc. III Russian-pacific Conf. Computer Technol. and Appl. Vladivostok, 2018:1—4.
7. Barrac R. e. a. A Comparison Among Different Techniques for Human ERG Signals Processing and Classification. Physica Medica: European J. Medical Phys. 2014;30;1:86—95.
8. Tsapenko I.V. Elektrofiziologicheskie Issledovaniya v Diagnostike Zabolevaniy Setchatki i Zritel'nogo Nerva (I). M: FGU «MNII Glaznykh Bolezney im. G. Gel'mgol'tsa Minzdrava Rossii», 2017. (in Russian).
9. Dzharratano D., Rayli G. Ekspertnye Sistemy: Printsipy Razrabotki i Programmirovanie. M.: Vil'yams, 2007. (in Russian).
10. Eremeev A.P., Kurilenko I.V. Realizatsiya Vyvoda v Temporal'nykh Modelyakh Vetvyashchegosya Vremeni. Izvestiya RAN. Seriya «Teoriya i Sistemy Upravleniya». 2017;1:107—127. (in Russian).
11. Ken Ka-Yin Leea, Wai-Choi Tangb, Kup-Sze Choia. Alternatives to Relational Database: Comparison of NoSQL and XML Approaches for Clinical Data Storage. Computer Methods and Programs in Biomedicine. 2013;110:99—109.
12. Goli-Malekabady Z., Akbari M.K., Javan M.S. An Effective Model for Store and Retrieve Big Health Data in Cloud Computing. Computer Methods and Programs in Biomedicine. 2016;132:75—82.
13. Kozlov I.A. Analiz i Klassifikatsiya Nerelyatsionnykh Baz Dannykh. Molodezhnyy Nauchno-tekhnicheskiy Vestnik. 2013;2:12—19. (in Russian).
14. Lämmel R. Google’s MapReduce Programming Model — Revisited. Sci. of Computer Programming. 2008;70;1:1—30.
15. Naresh Kumar Gundla, Zhengxin Chen. Creating NoSQL Biological Databases with Ontologies for Query Relaxation. Procedia Computer Sci. 2016;91:460—469.
16. Eremeev A.P., Ivliev S.A. Analiz i Diagnostika Slozhnykh Patologiy Zreniya na Osnove Veyvlet-preobrazovaniy i Neyrosetevogo Podkhoda. Integrirovannye Modeli i Myagkie Vychisleniya v Iskusstvennom Intellekte: Sbornik Trudov VIII Mezhdunar.Nauch.-tekhn. Konf. M.: Fizmatlit, 2015;2:589—595. (in Russian).
17. Brynolfsson J., Sandsten M. Classification of One-dimensional Non-Stationary Signals using the Wigner-Ville Distribution in Convolutional Neural Networks. Proc. 25 European Signal Conf. Kos, 2017:326—330.
18. Lee H., Grosse R., Ranganath R., Ng A.Y. Convolutional Deep Belief Networks for Scalable Unsupervised Learning of Hierarchical Representations. Proc. 26 Annual Intern. Conf. Machine Learning. Montreal, 2009:609—616.
19. Geert Litjens e. a. A survey on Deep Learning in Medical Image Analysis. Medical Image Analysis. 2017;42:60—88.
20. Krizhevsky A., Sutskever I., Hinton G.E. Imagenet Classification with Deep Convolutional Neural Networks.. Advances in Neural Information Proc. Syst. 2012;25 (2):1097—1105.
21. Davies E.R. Computer Vision: Principles, Algorithms, Applications, Learning. London: Elsevier, 2018:453—493.
22. Bo L., Ren X., Fox D. Unsupervised Feature Learning for rgb-d Based Object Recognition. Experimental Robotics. N.-Y.: Springer, 2013:387—402.
---
For citation: Eremeev A.P., Ivliev A.A. Methods and Software for Analysis and Diagnostics of Complex Vision Pathologies. Bulletin of MPEI. 2020;5:140—147. (in Russian). DOI: 10.24160/1993-6982-2020-5-140-147.
Опубликован
2019-12-23
Выпуск
Раздел
Теоретические основы информатики (05.13.17)
