国际期刊的创新在计算机和通信工程的研究
菜单ISSN在线(2320 - 9801)打印(2320 - 9798)
ISSN在线(2320 - 9801)打印(2320 - 9798)
吉奥莉•Borkhade, r博士Raut
|
| 相关文章Pubmed,谷歌学者 |
访问更多的相关文章国际期刊的创新在计算机和通信工程的研究
本文探讨了神经网络作为糖尿病性视网膜病变的最佳二元分类器。糖尿病视网膜病变是糖尿病的眼部综合症引起的障碍和之前可以检测到有效的治疗方法。在这个调查中,数据集的参数描述糖尿病性视网膜病变。在这种多层神经网络和基于主成分的性能分析是探索。选择最优参数,比如隐藏层,学习规则和转移函数考虑。分类结果通过严格的实验。病人的视力可能会恶化糖尿病进展并导致糖尿病性视网膜病变。本文建立糖尿病性视网膜病变,三个模型,如多层感知(MLP),主成分分析(PCA)和支持向量机(SVM)解释说,他们的表演进行了比较。一个自动分类方法使用图像提出了疾病的糖尿病性视网膜病变。设计分类结构敏感性97%,99% specifity和正确分类计算为95.7%。 Testing grades were found to be complaint with the accepted results that are imitative from the physician’s direct diagnosis. Result shows that this new neural network SVM model is more accurate than the other NN models. These results suggest that this model is effective for classification of Diabetic Retinopathy.
关键字 |
| 糖尿病性视网膜病变、神经网络、支持向量机、specifity敏感性 |
介绍 |
| 医疗错误成为国际社会的普遍问题。糖尿病是一组代谢疾病患者的高血糖,要么是因为身体不能产生足够的胰岛素,或因为细胞不应对生产胰岛素。糖尿病的常见并发症之一,是糖尿病性视网膜病变。广泛传播疾病。小血管损伤,导致失明。疾病随着年龄的增加的风险。因此中年和老年糖尿病患者容易发生糖尿病视网膜病变。有两个阶段的糖尿病性视网膜病变。糖尿病视网膜病变的早期阶段是Non-proliferative糖尿病性视网膜病变(NPDR)。视网膜小血管内漏血在这个阶段。 The leaking fluid causes the retina to swell or to form deposits called exudates. Proliferative diabetic retinopathy (PDR) is endeavour by eye to grow or resupply the retina with new blood vessels due to wide spread closure of the retinal blood supply. Many warning signs and circumstances of eye diseases could cause damage and blindness, if not detected and treated at early stage. |
| 在这篇文章中,一个自动化的方法分类的疾病使用基金图像提出了糖尿病性视网膜病变。提出了糖尿病视网膜病变的诊断系统的进化已经完成通过使用组140图像正常,NPDR和PDR影响图像。图像的预处理是进行图像。然后原始图像转换成灰度图像自适应直方图均衡化方法应用于提高对比度的图像。减少图片的大小应用离散小波变换。噪音是减少使用匹配滤波器响应。处理后的图像特征计算完成。然后像MLP造型技术,使用主成分分析和支持向量机及其性能计算。智能过滤特定信息提供了决策支持系统来提高卫生保健。减少医疗错误,提高医疗质量,保障病人的安全是最稳重的临床医生的责任。 The clinical guideline can enhance the security and quality of clinical diagnosis and treatment. Artificial Neural Networks have been employed as a widely used technique for designing decision support system. The decision support system (DSS) is any section of software that takes as input information about a circumstances and that produces as output inferences that can help practitioners in their conclusion and that would be judged by the program user. In medical diagnosis Artificial intelligence has been applied successfully. The measure of medical error is incredible, most of medical errors occurred by human factor could be avoided by computer system. After biological neural systems artificial neural networks are artificial intelligence paradigms, which are loosely modelled machine learning tools. They discover by instruction from past experience data and construct generalization on hidden data. |
相关工作 |
| 各种眼科疾病检测图像处理、神经网络算法提出了过去。许多重要的眼部疾病以及系统性疾病表现在视网膜上。而其他一些解剖结构有助于愿景的过程中,本文着重于视网膜成像和图像分析。下面简要概述的最普遍原因失明在工业化国家,包括年龄相关性黄斑变性、糖尿病视网膜病变、青光眼、审查致力于视网膜成像和图像分析方法及其临床意义。 |
| 图像处理与匹配滤波器响应,提出了模糊逻辑使用离散小波变换的方法对眼科疾病的诊断。决策树提出了诊断。各种神经网络算法被用来开发诊断系统如Levenberg-Marquardt学习算法,分类树分析,概率神经网络,支持向量机和贝叶斯分类多层感知器(MLP)、广义前馈神经网络。Povilas和Saltenis提出了神经网络作为分类器眼科疾病。组青光眼的和健康的眼睛是被调查。多层神经网络和主成分分析特征探讨减少。网络日志团体和激活函数Levenberg-Marquardt学习算法已经应用和取得的结果。网络应该正确评估一组更大的输入向量用于网络训练和验证[2]。Guven和卡拉探索诊断系统利用人工神经网络(ANN)方法来识别黄斑疾病模式电Retionography (PERG)信号。实现了多层前馈安训练与Levenberg Marquart反向传播算法。 The end results are classified as Healthy and Diseased. The designed classification structure has about 96% sensitivity, 100% specifity and correct classification is calculated to be 98%. The proposed method could point out the ability of design of a new intelligent assistance diagnosis system [3]. |
| Guven和卡拉表示基于ANN的诊断系统低于正常的眼睛通过分析Electrooculography(小城镇)信号。作者实现了Levenberg Marquart反向传播算法实现。设计分类结构敏感性94.1%,93.3% specipity和积极的预测计算为94.1%。结果分为正常和弱智者眼睛[4]。Hitzl描述了一个采用逐步向前变量选择算法和线性判别分析分类树分析潜在青光眼嫌疑人,没有视野缺陷。在汉弗莱视野分析仪用于测试视觉领域和扫描激光断层测量视神经地形。泛化误差应该报道都在训练,测试样品和方法应该被应用到选择一个适当的训练样本大小有效的泛化[5]。 |
| 年代。Yan表示数据挖掘框架集群视神经图像通过共焦扫描激光断层扫描(CSLT)在正常受试者和青光眼患者。数据驱动的聚类方法提供自动化的特征。自组织映射和期望最大化方法用于数据分割成集群提供洞察潜在的青光眼sub-classification基于形态学特征[6]。Kabari给出研究的混合神经网络和决策树分类根据病人抱怨眼疾,眼睛症状和身体检查。黄斑疾病诊断帮助通过集中安辅助系统。目的是帮助眼科医生解释考试系统的输出很容易和准确诊断问题[1]。R。Priya和一边描述了三个模型的概率神经网络(并),贝叶斯分类和支持向量机(SVM)和他们的表演比较诊断糖尿病性视网膜病变。的功能,如血管、haemmoraghes nonproliferative糖尿病视网膜病变图像和渗出液增生性糖尿病性视网膜病变的图像从原始图像中提取使用图像处理技术和美联储的分类器分类。 Experimental result shows that PNN has an accuracy of 89.6 % Bayes Classifier has an accuracy of 94.4% and SV M has an accuracy of 97.6%.This work had give diabetic retinopathy diagnosis method which help to diagnose disease in early state [7]. X Liu, Johnson and Cheng had introduce some of the Intelligent Data Analysis issues and for addressing this issue properly several case studies where introduced .Bayesian networks, evolutionary computations, neural networks and machine learning techniques effectively used for case studies. Case studies are all related with forecasting for visual field deterioration, real world problem solving, screening for eye diseases, consistency checking for chemical structures [8]. |
| Coopmans调查转化研究轨迹的视网膜疾病筛查摄影有关的案例研究。它给一个反演研究的典型人物塑造的过程,从板凳上开始,然后向下移动流线性方式[9]。Osareh比较两种方法对分类后的视网膜图像分段渗出液的地区。支持向量机和神经网络分类器是用来获得良好的类间可分性渗出液和non-exudates类。这两个分类器的结果几乎是类似[10]。 |
| 年代。斯里兰卡Abirami探索分类正常和青光眼的方法影响图像使用模糊神经网络min-max基于核心数据。两种方法被用于闭角青光眼和开角青光眼的分类是基于弧量方法和角宽度的方法。隶属函数是用于分类神经元通过考虑数据的特点和影响噪声的模糊神经网络min-max [11]。Yenganarayana描述软计算范例,结合临床研究方法和知识。计算智能方法包括模糊逻辑、遗传算法和神经网络以恰当的方式处理不精确,部分真理和不确定性。开发一个智能系统对青光眼的诊断和预测知识发现过程是使用。获得知识是嵌入在一个模糊逻辑推理系统[12]。 |
| Lisoba, Ifeachor Szczepaniak描述生物医学数据的变化受药物等因素的影响,环境条件,年龄、体重、生理和心理状态。因此,临床专业知识往往是需要适当的医疗数据的分析和解释。这导致了信号处理的集成与智能技术,如人工神经网络(ANN)、专家系统和模糊逻辑来提高性能[13]。克莱恩描述眼睛检测和跟踪的方法应用于测试集,从具有复杂背景的图像的数据不同。实验指出正确检测率达到94.9%,这表明该方法的优越性和高鲁棒性。一个眼动跟踪和检测系统可以分为四个步骤作为人脸检测,眼睛区域检测,眼睛瞳孔检测与跟踪。这将导致减少计算复杂性和忽略一些因素。眼睛区域中检测到这些点。颜色熵的眼睛区域是用来消除不相关的候选人[14]。 |
| Aliaa提出一个方法来自动检测OD的位置在数字视网膜眼底图像。该方法首先使用照明规范整个图像亮度和对比度均衡化和自适应直方图均衡化方法分别[16]。d . Vallabha提出了一个方法来自动检测和分类的血管异常在糖尿病视网膜病变中使用的规模和方向选择性伽柏滤波器。一种糖尿病视网膜病变分类方法,从视觉诱发电位的变化谱组件出现[17]。美国乔杜里解决检测血管在视网膜图像的问题。他们有匹配滤波器的概念用于检测信号来检测分段线性段的血管在视网膜图像和建立了12个不同的模板搜索船段在所有可能的方向[18]。三种不同网络的性能在眼科疾病分类数据集进行比较。其中包括多层感知器(MLP),广义前馈神经网络(人造石铺地面)。 |
| 人工神经网络(ANN)被广泛用作工具解决许多决策建模问题。安如输入输出映射的各种功能和性能,自适应,非参数,非线性使它成为一个更好的选择对于解决缓慢地并行分配结构和困难的任务统计技术相比,刚性的假设在哪里准备模型。人工神经网络作为非参数,没有假设的分布数据,从而能够让数据说话。因此,大型数据库的相关医疗信息可安的解决方案建模复杂的医学问题[19]。从神经网络提取的知识转换规则将有助于专家在理解结合症状,身体眼睛检查和病人的抱怨成分有重要作用的眼睛问题。规则包含信息排序眼疾根据他们的症状,病人的身体状况和抱怨和知识获得的神经网络训练之前的样品。 |
分类 |
| mlp与标准bp前馈神经网络训练算法。结果表明,网络有单层的阈值单位可以分类的一组点完全是否线性可分的。对于一组N个点,一个两层网络的阈值与N - 1单位单位隐层可以完全独立任意二分类数据。因为很有可能最终在“坏”的局部最小值,网络应该训练几次(通常至少5次),从不同的初始权值[16]。广义前馈网络的泛化MLP这样连接可以跳过一个或多个层。这里只需指定数量的层,每一层的向导将构造一个延时提要期待所有后续层。理论上,延时可以解决任何问题,广义前馈网络可以解决。然而在实践中,广义前馈网络通常更有效地解决问题。一个典型的例子是两个螺旋的问题。没有描述这个问题,它可以表示,一个中长期规划标准需要数百次训练时期比广义前馈网络包含相同数量的处理元素。 |
| 为分类我们使用多层感知器(mlp)前馈神经网络(FF NNs)与标准的反向传播算法训练。他们监督网络,所以他们需要训练所需的响应。大多数涉及mlp神经网络应用程序。他们学习如何将输入数据转换成所需的响应,所以广泛用于模式分类。他们非常强大的模式分类器。与一个或两个隐藏层可以近似任何输入与产出的地图。他们有效地利用输入数据中包含的信息。一个精心和细致的实验研究进行了确定MLP神经网络模型的最优配置。表1显示的变量参数MLP神经网络模型。 |
 |
| 本研究中使用的网络架构如下。一组10隐藏层神经网络用于神经网络的输入的数量(即神经元的数量)=数量的眼睛。是使用的神经网络前馈反向传播性能函数的均方误差(MSE)和迭代的数量是1000,最大允许误差的纯。 |
答:主成分分析(PCA) |
| 这是一个众所周知的统计程序,可以用来获得重要的功能通过减少给定输入向量的维数,而不丢失信息。主成分分析(PCA)是一种数学程序,使用一个正交变换将一组观测可能相关的变量转换成一组不相关的变量的值称为原则组件。原则组件的数量小于或等于原始变量的数量。这个变换定义,第一主成分尽可能高的方差(即占尽可能多的变化的数据),并且每个组件成功反过来又可能的最高的方差是正交的约束下(不相关的)前面的组件。组件是保证独立原则只有在联合正态分布的数据集。PCA是敏感的原始变量的相对比例。根据不同的应用领域,它也叫离散Karhunen-Loeve变换(KLT)。 |
| 现在,它主要是作为一种工具用于探索性数据分析和预测模型。主成分分析可以通过数据协方差矩阵的特征值分解和奇异值分解的数据矩阵。主成分分析的结果通常是组件的角度讨论分数(转换后的变量值对应于一个特定的数据点)和加载(每个标准化的原始变量的体重应该增加的组件的分数)。主成分分析是最简单的真实特征基于矢量的多元分析。通常,其操作可以认为是揭示数据的内部结构的最好的解释方差数据。如果一个多元数据可视化作为一组协调在高维数据空间(1轴/变量),主成分分析可以为用户提供一个低维的画面,一个“影子”对象从其(在某种意义上)最有益的观点。这是通过仅使用前几个主成分,以便转换数据的维数降低。 |
b .近邻分类器 |
| 在这个分类技术中,我们简单地找到所有的训练例子相对类似的属性测试例子。这些例子被称为最近的邻居,可用于确定测试的类标签的例子。最近邻分类器代表每个示例采用空间中的数据点,在它的属性。使用最近邻的理由是最好的解释说:“如果它走路像鸭子,鸭子,看起来像一只鸭子,它可能一只鸭子”[9]。或者我们可以说,由于附近的邻居,它可能是同一个类的对象。 |
支持向量机(SVM) |
| 这种技术有它的根源在统计学习理论和显示非常有前景的结果在许多实际应用,从手写数字识别文本分类。它还与高维数据和工作有效地避免与维数有关的问题。SVM训练算法构建一个模型,分配单独的类别的新例子除以一个清晰的差距尽可能宽,如图1所示的新例子然后映射到相同的空间,他们的分类预测,在此基础上他们落在一边的差距。一个支持向量机结构仿真或一组超级飞机在高维空间和良好的分离是通过仿真的最大距离最近的训练任何类,这些最近的点称为支持向量。 |
结果 |
| 神经网络分类方法对测试样本的结果获得了使用神经网络分类器对不同的糖尿病患者。在谨慎,模型的总体分类精度最高,它实现了94%的总体精度相比,准确率达到89.5%。可以得出结论,在这个分类器模型是最好的整体模型的准确性和计算时间进行训练和分类。这缓解和坚固的结构显示在线的MLP神经网络实现的可行性,和硬件实现。选择最优参数的MLP神经网络。当它重新训练5次在交叉验证和测试5次(看不见的数据集),平均(分别和最佳)分类为95.7%,总体精度98%,敏感性97%,特异性99%实现显示一致的性能比其他神经网络模型和系统运行在0.000001毫秒。也意味着MLP神经网络作为分类器这项工作具有比其他神经网络的学习能力。发现神经向MLP分类器的优点是减少误分类社区中类与其他神经网络分类器按照混淆矩阵。它提供了一致的分类精度、健康和患病的实例。 |
结论 |
| 这证实MLP神经网络学习人工神经网络优于之前的得到,为糖尿病患者提供一个有用的方法来诊断算法。额外的研究和大量的实际样品需要更好地评估人工神经网络的有效性。本研究证实,MLP神经网络执行其他得到人工神经网络,可以提供一个有用的方法开发眼病的诊断算法。推进算法每一步的发展需要提高计算机辅助检测和诊断算法的整体性能。结果表明,这种新的神经网络SVM模型比另一个更精确的神经网络模型。这些结果表明,该模型是有效的糖尿病性视网膜病变的分类。可以看出MLPNN是最快的网络,简单的设计和合成、最高最低的平均均方误差,精度和ROC分析是完美的接近团结。 |
引用 |
|