- Код статьи
- S30346444S0002338825030103-1
- DOI
- 10.7868/S3034644425030103
- Тип публикации
- Статья
- Статус публикации
- Опубликовано
- Авторы
- Том/ Выпуск
- Том / Номер выпуска 3
- Страницы
- 99-112
- Аннотация
- Рассматривается разработка прототипа гибридной интеллектуальной системы для анализа изображений на примере задачи диагностики и стадирования диабетической ретинопатии - осложнения сахарного диабета, характеризующееся повреждением сосудов сетчатки глаза. В результате хронически повышенного уровня глюкозы в крови происходит нарушение микроциркуляции, что вызывает развитие микроаневризм, экссудации, кровоизлияний и в тяжелых случаях неоваскуляризации. Это может привести к ухудшению зрения и в конечном итоге к слепоте при отсутствии своевременного лечения. Выявление и стадирование заболевания происходит с помощью анализа фотографических изображений глазного дна (фундус-снимков). Проведен обзор по теме исследования, рассмотрены преимущества гибридных интеллектуальных систем в сравнении с решениями, основанными на применение одной технологии. Описаны шаги создания системы, сочетающей в себе совместное использование классических методов компьютерного зрения, искусственных нейронных сетей, элементов теории нечеткой логики и методов объяснительного искусственного интеллекта. С помощью комбинированной архитектуры программного решения удалось добиться гибкости в вопросах применимости критериев стадирования заболевания, что говорит о широких перспективах подобного решения в диагностике иных заболеваний с логически формализуемыми критериями.
- Ключевые слова
- гибридный метод анализ изображений искусственный интеллект нечеткие множества машинное обучение компьютерное зрение обработка изображений нейронные сети интеллектуальные системы распознавание образов
- Дата публикации
- 24.02.2025
- Год выхода
- 2025
- Всего подписок
- 0
- Всего просмотров
- 16
Библиография
- 1. Volkov E.N., Averkin A.N. Explainable Artificial Intelligence in Medical Image Analysis: State of the Art and Prospects // XXVI Intern. Conf. on Soft Computing and Measurements (SCM). IEEE, 2023. P. 134-137. https://doi.org/10.1109/SCM58628.2023.10159033
- 2. Averkin A.N., Volkov E.N., Yarushev S.A. Possibilities of application of neuro-fuzzy networks for ophthalmologic image classification // Pattern Recognition Image Analysis. 2024. V. 34. № 3. P. 610-616. https://doi.org/10.1134/S1054661824700421
- 3. Averkin A.N., Volkov E.N., Yarushev S.A. Explainable artificial intelligence in deep learning neural nets-based digital images analysis //J.Comp. Systems Sci.Int. 2024. V. 63. № 1. P. 175-203. https://doi.org/10.1134/S1064230724700138
- 4. Рыжов А.П. О качестве классификации объектов на основе нечетких правил // Интеллектуальные системы. 2005. Т. 9. С. 253-264.
- 5. Krzywicki T., Brona P., Zbrzezny A.B. et al. A global review of publicly available datasets containing fundus images: characteristics, barriers to access, usability, and generalizability //J. Clin. Med. 2023. V. 12. № 10. P. 3587. https://doi.org/10.3390/jcm12103587
- 6. Jha D., Smedsrud P.H., Riegler M.A. et al. Resunet++: an advanced architecture for medical image segmentation // IEEE Intern. Sympos. Multimedia (ISM). 2019. P. 225-2255.
- 7. Van der Velden B.H.M., Kuijf B.H., Gilhuijs H.J. et al. Explainable artificial intelligence (XAI) in deep learning-based medical image analysis // Med. Image Analysis. 2022. V. 79. P. 102470. https://doi.org/10.1016/j.media.2022.102470
- 8. Qian J., Li H., Wang J. et al. Recent advances in explainable artificial intelligence for magnetic resonance imaging // Diagnostics. 2023. V. 13. № 9. P. 1571. https://doi.org/10.3390/diagnostics13091571
- 9. Volkov E.N., Averkin A.N. Possibilities of explainable artificial intelligence for glaucoma detection using the LIME method as an example // XXVI Intern. Conf. on Soft Computing and Measurements (SCM). IEEE: Saint-Petersburg, 2023. P. 130-133. https://doi.org/10.1109/SCM58628.2023.10159038
- 10. Saeed W., Omlin C. Explainable Ai (Xai): a systematic meta-survey of current challenges and future opportunities // Knowledge-Based Systems. 2023. V. 263. P. 110273. https://doi.org/10.1016/j.knosys.2023.110273
- 11. Clement T., Kemmerzell N., Abdelaal M. et al. XAIR: a systematic metareview of explainable AI (XAI) aligned to the software development process // Mach. Lear. Knowledge Extraction. 2023. V. 5. № 1. P. 78-108. https://doi.org/10.3390/make5010006
- 12. Selvaraju R.R., Cogswell M., Das A. et al. Grad-cam: visual explanations from deep networks via gradient-based localization // Proc. IEEE Intern. Conf. on Computer Vision. Venice, 2017. P. 618-626.
- 13. Zhou B., Khosla A., Lapedriza A. et al. Learning deep features for discriminative localization // Proc. IEEE Conf. on Computer Vision and Pattern Recognition. Las Vegas, 2016. P. 2921-2929.
- 14. Cheng B., Girshick R., Dollar P. et al. Boundary IoU: improving object-centric image segmentation evaluation // Proc. IEEE/CVF Conf. on Computer Vision and Pattern Recognition. Nashville, USA. 2021. P. 15334-15342.
- 15. Zhao R., Qian B., Zhang X. et al. Rethinking dice loss for medical image segmentation // IEEE Intern. Conf. on Data Mining (ICDM). Sorrento, Italy. IEEE, 2020. P. 851-860. https://doi.org/10.1109/ICDM50108.2020.00094
- 16. Hehn T., Kooij J., Gavrila D. Fast and compact image segmentation using instance stixels // IEEE Transactions on Intelligent Vehicles. 2021. V. 7. № 1. P. 45-56. https://doi.org/10.1109/TIV.2021.3067223
