Введение
Глава 1. Проблемы автоматизации дифференциальной диагностики новообразований головного мозга 13
1.1 Структурный анализ медицинской диагностики как процесса распознавания новообразований головного мозга 13
1.2. Анализ методик исследования головного мозга 17
1.3. Классификация новообразований головного мозга и статистика встречаемости 19
1.4. Показатели, характеризующие состояние головного мозга на томограммах 20
1.5. Виды томограмм, способы их получения 23
1.6. Интерпретация результатов исследований головного мозга на магнитно-резонансном томографе 27
1.7. Медицинские автоматизированные информационные системы 29
1.8. Концепция архитектуры автоматизированной информационной системы поддержки принятия решений при диагностике новообразований головного
мозга по магнитно-резонансным томограммам 37
1.9.Постановка задач диссертации 41
Выводы 42
Глава 2. Автоматизация анализа томограмм головного мозга 43
2.1. Постановка задачи автоматизированного анализа томограмм 43
2.2. Выбор импульсной последовательности для автоматического анализа изображения 44
2.3. Общая методика распознавания патологии и ее характеристик на томограммах головного мозга 46
2.3.1.Обработка томограмм головного мозга 47
2.3.2. Определение наличия очага патологического сигнала и его выделение на томограмме 51
2.3.3. Выявление патологии среди нормальных анатомических структур головного мозга 55
2.3.4. Анализ и выявление признаков на томограмме 64
2.3.4.1. Признаки, подлежащие автоматизации 64
2.3.4.2. Перенос выделенной области с TIRM изображения на изображения ТІ и Т2 взвешенности 64
2.3.4.3. Измерение интенсивности изменения сигнала от патологии по сравнению с нормальным сигналом от ткани мозга на ТІ и Т2 66
2.3.4.4. Измерение размера патологии 68
2.3.4.5. Определение формы патологии 70
2.3.4.6. Определение полушария, в котором находится патология 71
2.3.4.7.Определение наличия геморрагии в патологическом участке 72
2.3.4.8. Определение наличия субдуральной гематомы 73
2.3.4.9. Измерение количества очагов патологического сигнала и вывод характеристик 74
Выводы 76
Глава 3. Автоматизация процесса постановки диагноза 77
3.1. Система поддержки принятия решений, основанная на интеллектуальном анализе данных 77
3.2. Выбор деревьев классификации для принятия решений 79
3.2.1. Описание метода деревьев решений 79
3.2.2.Использование в медицине 81
3.2.3.Преимущества деревьев решений по сравнению с другими методами интеллектуального анализа 82
3.2.4.Недостатки деревьев 84
З.З.Алгоритмы построения деревьев решений 84
3.3.1. Алгоритм ЮЗ 85
3.3.2.Алгоритмы С4.5 и С5 86
3.3.3. Алгоритм CART 88
3.3.4. Преимущества и недостатки существующих алгоритмов построения деревьев решений применительно к задаче медицинской диагностики 92
3.4. Комбинированный алгоритм построения дерева решений основанный на отделении однородных групп наблюдений 95
3.4.1. Описание алгоритма 95
3.4.2. Критерий отделения однородных групп 101
3.4.3. Обработка пропущенных значений 104
3.4.4. Останов работы алгоритма 105
Выводы 105
Глава 4. Программные компоненты автоматизированной системы диагностики внутричерепных новообразований . 106
4.1. Структура системы 106
4.1.1. База данных 108
4.1.2. Информационная подсистема 113
4.1.3. Разработка программного модуля обработки томограмм головного мозга и распознавания патологии 115
4.1.4. Разработка диагностической подсистемы 116
4.2. Предварительный анализ данных 117
4.2.1. Сравнение точности классификации тех же диагностических данных на других алгоритмах построения деревьев решений 127
4.2.2. Оценка работы алгоритма на числовых данных 130
Выводы 131
Заключение 132
Список литературы 133
Приложения 143
