Применялись методы интеллектуального анализа данных

Применялись методы интеллектуального анализа данных. При этом использовались следующие способы обнаружения эмпирических закономерностей. 1. Таксономия: программа обнаруживает пациентов, имеющих похожие симптомы, и выделяет их в отдельную группу. При анализе снимков программа выделяет участки с похожими характеристиками.

2. Выбор наиболее информативных свойств: программа позволяет найти те симптомы, по которым можно с наибольшей достоверностью диагностировать данное заболевание. 3. Распознавание образов: по симптомам данного пациента программа позволяет относить его к одной из предварительно выделенных групп пациентов с известным диагнозом, т. е. ставить диагноз заболевания. 4. Обнаружение ошибок и заполнение пробелов: программа обнаруживает большие отклонения некоторых данных от закономерных для таблицы.

Если в таблице отсутствует информация о некотором симптоме у данного пациента, то программа может определить наиболее вероятное значение пропущенного симптома. 5. Прогнозирование: если данные содержат информацию о динамике развития симптомов во времени, то программа может сделать прогноз их значений на заданное число шагов вперед. Необходимо отметить, что только при прямоугольном плоскостном сканировании, применяемом нами, можно пренебречь влиянием рассеянного излучения на формирование рентгеновского изображения. Это позволяет получать статистически достоверные количественные значения каждого пикселя (наименьшего элемента цифрового изображения) для последующего их использования в построении диагностических алгоритмов и автоматического диагностирования (computed aided diagnosis). В плоскостных (двумерных) детекторах рентгеновского излучения и при угловом сканировании добиться постоянных показателей значений в каждом пикселе практически невозможно. Визуально определяемые изменения в малом круге кровообращения мы подтверждаем численными значениями измеряемых нами областей легких.

Мы определяем среднюю оптическую плотность легочной ткани – отражает количество поглощенных рентгеновских квантов в заданном объеме, среднее квадратичное отклонение – отражает структуру легочного рисунка. Таким образом, цифровой показатель средней оптической плотности мы используем в качестве оценки количества сосудистых теней (легочного рисунка) на фоне легких, что позволяет судить о степени кровенаполнения легочной ткани. Значение среднего квадратичного отклонения – характеристика дискретности структуры легочной ткани. Значения оптической плотности и квадратичного отклонения вычисляются автоматически из цифровых значений яркости 90-120 тысяч пикселей.

Метки:

Комментарии закрыты.