3.6 Разработка системной модели распознавания состояния ПЖ и алгоритма кластеризации переднего плана видеокадра ТАУЗИ и ТРУЗИ
В результате анализа стандартных методов и приемов распознавания объектов по их изображениям, рассмотренных в разделе 3.2, можно сделать вывод о целесообразности использования в рамках решаемой задачи на начальном этапе двух приемов: полярно-логарифмического и кластерного.
При этом характер и размещение переднего плана кадра, и содержащего фактуру изображения пред-стательной железы, а также ее форма и размеры обуславливают целесообразность применение последовательно-параллельно обоих приемов. Очерченные в результате маскирующей обработки четкие границы простаты позволяют с большей точностью установить и скоординировать центр переднего плана (центр объекта) с которым четко совместить полярную систему координат [43, 176].
3.6.1 Формирование кластеров целесообразно с точки зрения сегментации простаты путем выделения ее долей, определение их центров и размеров, формы и степени симметричности, сравнение этих признаков с типовыми соответственно масштабируемыми признаками здорового органа, определение степени соответствия и формирования предварительных выводов о текущей ситуации. Ситуация здесь представляет собой совокупность состояния объекта (простаты) и внешней среды (внешнего воздействия).
Таким образом, предварительный кластерный анализ, предваряющий процесс распознавания ситуаций, позволяет определить следующие признаки:
- линейные размеры (длина, ширина сегмента, длина огибающей);
- коэффициент симметрии простаты;
- коэффициент окружности (степень отличия ПЖ от круга);
- косвенная оценка объема предстательной железы.
3.6.2 Системная модель автоматизированной кластеризации при вторичной обработке изображений ПЖ системой поддержки принятия решений приведена на рисунке 3.7.
В соответствии с моделью представлен этап вторичной обработки, осуществляющий уточненную сегментацию изображения предстательной железы путем реализации способа кластеризации сегментов с предварительным определением и последующим итеративным уточнением положения центроидов и группирования точек (пикселов) сегментов как элементов множеств о . до достижения уровня их идентификации, удовлетворяющего некоторому значению погрешности, находящейся в пределах допустимой области (окрестности экстремума) [18].
Рисунок 3.7 - Системная модель кластеризации при вторичной обработке изображений простаты в системе ППР (подсистеме)
Рисунок 3.8 - Алгоритм кластеризации переднего плана видеокадра ПЖ
(начало)
Рисунок 3.8 - Алгоритм кластеризации переднего плана видеокадра ПЖ
(окончание)
3.5
Еще по теме 3.6 Разработка системной модели распознавания состояния ПЖ и алгоритма кластеризации переднего плана видеокадра ТАУЗИ и ТРУЗИ:
- 3.5 Сегментация и кластеризация уточненного переднего плана модифицированных видеокадров
- РАЗРАБОТКА МЕТОДА ПЕРВИЧНОЙ ОБРАБОТКИ ИЗОБРАЖЕНИЙ ПРОСТАТЫ, ПОЛУЧЕННЫХ В РЕЗУЛЬТАТЕ ТАУЗИ И ТРУЗИ
- Глава 2. Разработка математической электрофизической модели глаза для исследования гемодинамики переднего отдела глаза методом транспальпебральной реоофтальмографии
- Разработка способа представления оцифрованного видеокадра как единой гистограммы изображения
- Адаптивное управление разверткой видеокадра. Алгоритм управления
- Особенности изображений предстательной железы, выполненной с помощью УЗИ и ТРУЗИ, обобщенная модель
- Состояние проблемы диагностики функционального состояния организма с позиций системного анализа
- Нейросетевая модель распознавания
- Графическая модель распознавания объекта
- 41. Системная модель развития личности.
- Билет 19.Технологический алгоритм разработки теста.
- Параграф третий. Способы распознавания состояния сердца
- Глава 1. Разработка биотехнической системы транспальпебральной реоофтальмографии, обеспечивающей неинвазивное исследование гемодинамики переднего отдела глаза.
- Задачи распознавания образов, анализа и распознавания изображений