ВЕСТНИК ВОРОНЕЖСКОГО ГОСУДАРСТВЕННОГО УНИВЕРСИТЕТА. СЕРИЯ: СИСТЕМНЫЙ АНАЛИЗ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ

В статье предлагается метод оценки результатов детектирования и классификации объектов на медицинских изображениях, полученных по результатам компьютерной томографии внутренних органов человека нейросетью архитектуры YOLO, содержащий алгоритм и математические модели нечеткой оценки. Разработанные алгоритм и модели позволяют классифицировать объекты в зависимости от их расположения и проекции изображения, автоматизировать и сократить время диагностирования заболевания, перейти от оценки двумерных изображений к сборке и оценке трехмерных объектов, повысить точность оценки параметров объектов, снизить риски неправильных хирургических решений при планировании и проведении операций. Предложенные алгоритм и модели были реализованы в прототипе системы поддержки принятия врачебных решений в хирургии и урологии с использованием технологий компьютерного зрения в составе программных модулей по детектированию объектов и расчету параметров объектов. Представленный метод оценки результатов детектирования и классификации объектов на медицинских изображениях показал высокую эффективность.

В работе рассматривается задача разработки математического и программного обеспечения для анализа изображений в современных фандоматах. В рамках подхода, основанного на применении методов поверхностного машинного обучения, формулируется задача обработки изображений объектов, подлежащих сырьевой переработке в фандомате, как задача сегментации этих изображений с последующей классификацией по форме. Производится обзор и сравнение известных методов сегментации с целью выделения формы объектов и формирования признаков для классификации. В результате сравнения делается выбор в пользу метода активного контура. Предлагается и исследуется относительно простой алгоритм классификации сегментированных объектов на основе «случайного леса». Также предлагается два алгоритма выделения признаков классификации: алгоритм на основе анализа степени заполненности частей сегментированного изображения и алгоритм, вычисляющий свойства области объекта. Как альтернативный подход также описывается метод классификации получаемых изображений в целом, без предварительного выделения признаков, основанный на глубоком обучении…

Диагностика болезни Альцгеймера на ранней стадии развития играет существенную роль при лечении данного заболевания, поскольку определение тяжести заболевания и риска его прогрессирования позволяет провести профилактические меры своевременно, до того, как сформируются необратимые поражения головного мозга. Болезнь Альцгеймера представляет собой хроническое дегенеративное заболевание, связанное с повреждением нейронов головного мозга. Для диагностики данного заболевания наряду с другими методами используется МРТ головного мозга. Интерес представляют формализованные автоматизированные инструменты анализа МРТ, которые могут служить средством поддержки принятия решений при постановке диагноза. Эффективным механизмом разработки подобных инструментов при наличии большой обучающей выборки могут служить методы глубокого обучения, в частности методы, базирующиеся на построении сверточных нейронных сетей. Обзор исследований в данной области отражает целый ряд успешных вычислительных экспериментов по применению сверточных нейронных сетей к анализу медицинских изображений. В данной работе осуществляется попытка использовать сверточную нейронная сеть (CNN) для классификации стадии болезни Альцгеймера на основе МРТ головного мозга. Выделяются следующие основные классы (уровни заболевания): NonDementia (отсутствие деменции), VeryMildDementia (ранняя деменция), MildDementia (умеренная деменция), ModerateDementia (тяжелая деменция). Предложенная в работе модель демонстрирует хорошее качество с позиции основных метрик классификации, позволяет с большой точностью определять все стадии заболевания, причем, лучше всего определяется класс VeryMildDemented. Распознавание именно данной стадии заболевания очень важно с точки зрения подбора предупреждающего развитие болезни лечения.

Графовые нейронные сети в настоящее время являются объектом все возрастающего интереса в области машинного обучения и анализа данных. Их специализированная архитектура позволяет эффективно моделировать и анализировать сложные структуры данных на графах, такие как социальные сети, биоинформационные сети, транспортные сети и другие. С возрастанием объема данных, представленных в виде графов, растет их значимость как инструмента для понимания и прогнозирования сложных взаимосвязей и паттернов. Данная работа направлена на оценку эффективности метода L2-регуляризации, применяемого при машинном обучении в контексте задачи кластеризации узлов графа. Под кластеризацией понимается объединение узлов в группы, выделяемые по степени их связности. При обучении используется специальный метод регуляризации и реализующий его алгоритм распространения меток LPA (Label Propagation Algorithm), а также расширение данного подхода на две популярные архитектуры графовых нейронных сетей: GraphSAGE (Graph Sample and Aggregation) и GAT (Graph Attention Networks). В рамках исследования проводится сравнительный анализ эффективности применения метода LPA на различных датасетах, широко применяемых в научных и практических задачах. Результаты исследования показывают заметное улучшение точности анализа графовых моделей данных при использовании анализируемого подхода. Проведенное исследование способствует более глубокому пониманию воздействия общего подхода L2-регуляризации в плане обучения графовых нейронных сетей.

В статье представлены результаты разработки нейроиммунного метода сжатия данных, предназначенного для дальнейшей апробации в системе анализа инцидентов информационной безопасности. Осуществлён анализ классических методов и методов машинного обучения, применяемых для компрессии данных с потерями и без. Рассмотрены варианты архитектур нейронных сетей для обеспечения компрессии векторов. Предложен метод комбинирования гибридной искусственной иммунной системы со свёрточной нейронной сетью архитектуры Bottleneck-type путём применения разработанных в рамках предыдущих исследований интеллектуальных методов оптимизации и классификации, в том числе включающих в себя модифицированный генетический алгоритм дуэлей. Проведена оценка эффективности полученного гибридного подхода компрессии с классической свёрточной нейронной сетью и многослойной нейронной сетью прямого распространения Bottleneck-type. В качестве критериев эффективности были выбраны степень сжатия, точность декомпрессии данных. Для проведения сравнительного анализа рассмотренных методов был разработан программный комплекс, реализующий модуль сбора и хранения данных в системе анализа инцидентов информационной безопасности, предназначенный для дальнейшего применения при подготовке данных в задаче анализа и корреляции событий информационной безопасности. В результате исследования в качестве наиболее эффективного подхода компрессии данных был предложен разработанный нейроиммунный метод сжатия, показавший при сравнительном анализе с составляющими его алгоритмами лучшую точность декомпрессии при аналогичных степенях сжатия. Предложенный метод может быть адаптирован для использования в системах сжатия и хранения не только текста, но и видеоинформации, позволяет повысить качество распознавания системой анализа инцидентов при классификации образов событий безопасности.