Библиотечный каталог авторефератов Украины

ДОНЕЦЬКИЙ НАЦІОНАЛЬНИЙ УНІВЕРСИТЕТ

Привалов Максим Володимирович

УДК 004.04:616-07

МОДЕЛІ ТА АЛГОРИТМИ АВТОМАТИЗОВАНОЇ СИСТЕМИ ОБРОБКИ УЛЬТРАЗВУКОВИХ ЕХОГРАМ ОРГАНІВ ЛЮДИНИ

05.13.06 – автоматизовані системи управління
та прогресивні інформаційні технології

Автореферат дисертації на здобуття наукового ступеня
кандидата технічних наук

Донецьк - 2003

Дисертацією є рукопис

Робота виконана в Донецькому національному технічному університеті
Міністерства освіти і науки України.

Науковий керівник        кандидат технічних наук, доцент
Адамов Володимир Григорович,

Донецький національний технічний університет,
доцент кафедри автоматизованих систем управління.

Офіційні опоненти:

доктор технічних наук, професор
Ульшин Віталій Олександрович,
Східноукраїнський національний університет
ім. В. Даля, м. Луганськ, декан факультету
комп'ютерних технологій і автоматики, завідувач
кафедри комп'ютеризованих систем.

кандидат технічних наук, доцент
Литвиненко Володимир Іванович,
Херсонський державний технічний університет,
м. Херсон, доцент кафедри інформаційних
технологій і дизайну.

Провідна установа         Харківський національний університет
радіоелектроніки Міністерства освіти і науки
України, м. Харків.

Захист відбудеться  “  19  ”         грудня           2003р.   о   14  год.    00  хв. на засіданні спеціалізованої вченої ради К 11.051.08 у Донецькому національному університеті за адресою 83055, м. Донецьк, пр. Театральний, 13, корп. 4, ауд. 416.

З дисертацією можна ознайомитися в бібліотеці Донецького національного університету за адресою 83055, м. Донецьк, вул. Університетська, 24, гол. корпус.

Автореферат розісланий        “  17  ”         листопада          2003р.

Вчений секретар спеціалізованої

вченої ради К 11.051.08,

кандидат технічних наук, доцент                                              С. В. Григор'єв

ЗАГАЛЬНА ХАРАКТЕРИСТИКА РОБОТИ

Актуальність теми. В даний час у медичних установах України знайшли широке застосування системи діагностики, що використовують для виявлення і дослідження патологій внутрішніх органів людини ультразвукові знімки. Як правило, такі системи не виконують функцію постановки остаточного діагнозу. У цих системах виконується отримання необхідних для прийняття рішень параметрів, а також експертних оцінок шляхом обробки ультразвукових ехограм. Постановка остаточного діагнозу виробляється лікарем на підставі отриманих результатів.

Існуючі в Україні діагностичні системи, що виконують обробку ультразвукових ехограм внутрішніх органів людини, мають ряд недоліків: при обробці зображень органів не виконується аналіз текстур, у зв'язку з чим вони мало ефективні при діагностуванні дифузійних патологій, особливо на ранніх стадіях. У деяких системах не виконується експертна оцінка стану досліджуваних внутрішніх органів. Зазначені недоліки погіршують точність і оперативність винесення остаточного діагнозу. Сучасні системи ультразвукової діагностики закордонних виробників, оснащені комп'ютерами, мають, як правило, вузьку спеціалізацію і не виконують аналіз структури паренхіматозних органів. При цьому висока вартість таких систем утрудняє їхнє придбання. У зв'язку з цим гостро постає питання створення автоматизованої системи обробки ультразвукових ехограм внутрішніх органів людини, здатної виконувати аналіз структури їхніх тканин.

Розвиток можливостей сучасної обчислювальної техніки дозволяє розробити більш складне програмне забезпечення, побудоване на основі новітніх методів обробки і перетворення великих обсягів інформації, які використовують аналіз текстур зображень, що істотно підвищить ефективність діагностування патологій. Системи, що містять таке програмне забезпечення, дозволять формувати експертний висновок про стан паренхіматозних органів і виявляти їхні дифузійні ураження, у тому числі і на ранніх стадіях, що дає можливість проводити лікування хвороб більш ефективно. За допомогою подібних систем спрощується проведення профілактичних заходів.

Зв'язок роботи з науковими програмами, планами, темами. Дисертаційна робота виконана в рамках держбюджетної роботи Н-30-2000 Донецького національного технічного університету “Розробка науково-методичних основ побудови і використання комп'ютерних систем технічної і медичної діагностики в науковій і навчальній роботі”, у якій автор брав участь як виконавець. Тема роботи відповідає договорові №33 від 15.03.1999 про співробітництво Донецького національного технічного університету з Донецьким Обласним Клінічним Територіальним Медичним Об'єднанням (ДОКТМО), що передбачає спільну інформаційну і консультативну діяльність, а також спільну розробку програмного забезпечення систем медичної діагностики.

Мета і задачі дослідження. Метою даного дослідження є розробка математичного і програмного забезпечення автоматизованої системи обробки ультразвукових ехограм, що дозволяють підвищити точність й оперативність обробки інформації для прийняття рішень по виявленню дифузійних патологій внутрішніх органів.

Для досягнення поставленої мети сформульовані і вирішені наступні задачі:

• аналіз ультразвукових ехограм внутрішніх органів людини на прикладі печінки, обґрунтування методу фільтрації;
• дослідження і вибір методу перетворення ультразвукових ехограм печінки в автоматизованій системі для прийняття рішень;
• побудова математичної моделі процесу обробки текстур ультразвукових ехограм, що включає модель нейромережевого класифікатора,  на основі засобів Matlab з метою вибору раціональних значень параметрів системи;
• створення структури автоматизованої системи обробки ультразвукових ехограм печінки для прийняття рішень;
• розробка архітектури, алгоритмів і програмного забезпечення автоматизованої системи обробки ультразвукових ехограм печінки для прийняття рішень, експериментальні дослідження й апробація.

Об'єкт дослідження – текстури ультразвукових зображень внутрішніх органів людини.

Предмет дослідження – методи, моделі й алгоритми перетворення  інформації в автоматизованій системі обробки ультразвукових ехограм паренхіматозних органів людини.

Методи дослідження – методи цифрової обробки зображень, які дозволили запропонувати метод перетворення ультразвукових ехограм, що знижує вплив кута повороту текстур щодо границь вікна і розміру цього вікна на точність розпізнавання; системний підхід; модульний підхід; методи математичного моделювання; теорія імовірностей; теорія матриць.

Наукова новизна одержаних результатів.

1. Запропоновано метод перетворення ультразвукових ехограм автоматизованою системою у простір ознак, що відрізняється від існуючих використанням у якості ознак текстури статистик різницевої гістограми другого порядку зі згладжуванням їхніх значень. Метод дозволяє знизити вплив кута повороту текстур щодо границь вікна і розміру цього вікна на точність розпізнавання.
2. Вперше побудовано і досліджено математичну модель процесу перетворення інформації в автоматизованій системі обробки ультразвукових ехограм, що включає математичну модель нейромережевого класифікатора текстур, що дозволила дослідити вплив параметрів методу перетворення інформації на точність класифікації текстур.
3. Вперше отримано залежності точності обробки текстур печінки від основних параметрів методу, що дозволяють визначити значення цих параметрів, які забезпечують найкращу точність класифікації текстур ультразвукових зображень печінки у автоматизованій системі.
4. Розроблено інформаційну технологію перетворення ультразвукових ехограм печінки людини, що дозволяє підвищити точність і оперативність обробки інформації для прийняття рішень.

Таким чином, науковою значимістю даної роботи є розвиток методів обробки і перетворення ультразвукових зображень, побудови моделей, а також архітектури й алгоритмів автоматизованих систем обробки і перетворення інформації для прийняття рішень.

Практичне значення одержаних результатів.

1. Розроблене і впроваджене в ДОКТМО (акт від 04.07.2003р.) програмне забезпечення автоматизованої системи обробки ультразвукових ехограм печінки, що дозволяє проводити аналіз текстури ультразвукових зображень, інтерпретувати результати, візуально позначати здорові і патологічні тканини, а також виконувати експертну оцінку стану печінки людини для прийняття рішень.

2. Відповідно до держбюджетної теми Н-30-2000 розроблено методику побудови і настроювання параметрів автоматизованих систем аналізу текстур ультразвукових ехограм (акт від 04.09.2003р.).

3. Розроблені програмне забезпечення і методика застосовуються в навчальному процесі, при виконанні курсових робіт, дипломних проектів і магістерських робіт студентів спеціальності “Спеціалізовані комп'ютерні системи” спеціалізація “Комп'ютерні системи медичної і технічної діагностики” Донецького національного технічного університету (акт від 11.09.2003р.), а також при підготовці студентів медичного факультету Донецького державного медичного університету (акт від 22.09.2003р.).

Особистий внесок дисертанта. Особистий внесок здобувача полягає в наступному: [1] – обґрунтування і вибір методу класифікації текстур ультразвукових ехограм; [2, 8, 9] – дослідження і вибір методу розрахунку ознак текстури ультразвукових ехограм печінки, порівняння роздільної здатності ознак текстури Лоза і різницевої гістограми другого порядку; [3-5] - побудова і дослідження математичної моделі процесу обробки ультразвукових ехограм, що включає модель нейронної мережі, визначення залежності точності класифікації текстур від значень параметрів методу перетворення інформації; [6, 7] – розробка архітектури автоматизованої діагностичної системи, дослідження ефективності обробки ультразвукових ехограм даною системою.

Усі результати, винесені на захист, отримані автором особисто.

Апробація результатів дисертації. Результати дисертаційної роботи доповідалися на міжнародній науково-практичній конференції “Обчислювальна техніка в інформаційній і керуючій системах”, (ПДТУ, м. Маріуполь, 2000р.), на 2-му міжнародному семінарі “Практика і перспективи інституційного партнерства” (ДонДТУ, м. Донецьк, 2001р.), на Всеросійській науково-технічній конференції з міжнародною участю “Комп'ютерні технології в інженерній і управлінській діяльності” (ТРТУ, м. Таганрог, Росія, 2001р.), на 3-му міжнародному науково-практичному семінарі “Практика і перспективи інституційного партнерства” (ТРТУ, м. Таганрог, Росія, 2002р.), на науково-практичній конференції “Сучасні інформаційні й електронні технології” (м. Одеса, 2002р.), на міжнародній конференції “Інтелектуальні САПР” (м. Геленджик, Росія, 2002р.), на розширеному науковому семінарі кафедри технічної кібернетики НТУУ України “КПІ” (м. Київ, 2002 р.), на розширеному семінарі кафедри автоматизованих систем управління Донецького національного технічного університету (м. Донецьк, 2003р.), а також на розширеному науковому семінарі кафедри комп'ютерних технологій Донецького національного університету (м. Донецьк, 2003р.).

Публікації. По темі дисертації опубліковано 9 наукових праць, з них
5 – у провідних спеціальних виданнях, інші у збірниках тез конференцій.

Структура і обсяг дисертації. Дисертація складається зі вступу, 5 розділів, висновку, списку літератури з 104 джерел і 7 додатків. Вона містить 35 ілюстрацій, 17 таблиць. Загальний обсяг дисертації складає 188 сторінок, у тому числі 149 сторінок основного тексту.

ОСНОВНИЙ ЗМІСТ РОБОТИ

У вступі обґрунтована актуальність задачі, який присвячена робота. Сформульовано основну мету і задачі досліджень. Викладено основні результати, отримані в роботі, показана їхня новизна, а також відзначена їх наукова і практична значимість.

Перший розділ роботи присвячений огляду літератури і визначенню основних задач і напрямків досліджень. Виконано аналіз існуючих сучасних автоматизованих систем ультразвукової діагностики, що використовуються на Україні і за рубежем, який показав, що в даних системах не виконується аналіз структури тканин по ультразвукових зображеннях досліджуваних органів для формування експертної оцінки їхнього стану. Даний недолік знижує ефективність застосування цих систем при діагностуванні дифузійних патологій паренхіматозних органів людини. Основна ідея роботи складається в усуненні зазначеного недоліку шляхом розробки автоматизованої системи обробки інформації, яка дозволяє формувати експертну оцінку стану досліджуваних органів на підставі результатів текстурного аналізу ультразвукових ехограм.

Розглянуто основні етапи обробки текстури зображень (рис.1). Виділено етапи, що роблять основний вплив на точність і швидкість класифікації текстур. Точність класифікації текстур розглядається як процентне відношення вірно класифікованих пікселів зображення до їх загального числа.

Рис. 1. Основні етапи обробки текстури зображень

З урахуванням цього проведені аналіз та класифікація сучасних математичних методів обробки текстури зображень. У результаті виявлені методи, які можуть дозволити найбільш ефективно аналізувати текстури паренхіматозних органів. До них відносяться методи, що використовують ознаки текстури Лоза і методи, що використовують ознаки різницевої гістограми другого порядку. Показано необхідність удосконалення цих методів для застосування в автоматизованій системі, яка розробляється, бо вони не призначені для формування вихідних даних підсистеми експертної оцінки стану органів.

Проаналізовано способи прийняття рішень у системах медичної діагностики. Показано, що при діагностуванні патологій внутрішніх органів людини по їхніх ультразвукових зображеннях доцільне ухвалення остаточного рішення довірити лікареві-діагностові через відсутність методик, що дозволяють видати однозначний діагноз з високою точністю. Обґрунтовано використання нейронних мереж для формування експертної оцінки, що дозволить підвищити швидкість винесення, а також точність експертної оцінки у випадку обробки нечітких даних.

На підставі проведеного аналізу виконано постановку задач і вибір напрямків досліджень для розробки автоматизованої системи обробки ультразвукових ехограм внутрішніх органів людини. Показано, що доцільно вирішити дану задачу на прикладі дослідження печінки як одного з паренхіматозних органів, що найбільш часто піддаються дифузійним ураженням.

У другому розділі розглянуті особливості ультразвукових зображень печінки людини. Виконано обґрунтування  і вибір методу фільтрації ультразвукових ехограм. Аналіз робіт Хілла, Міллера, Грегуша й ін. показав, що на ультразвукових зображеннях, як правило, присутній гаусовський, імпульсний і мультиплікативний шум, які можуть бути усунуті шляхом фільтрації з застосуванням наступних фільтрів: гаусовського, медіанного й адаптивного фільтра Вінера.

Проведено експериментальні дослідження, у результаті яких встановлено, що при фільтрації ультразвукових ехограм печінки доцільно використовувати вікно фільтра розміром 3х3 пікселя. Експериментально встановлено, що при обраному розмірі вікна гауссовский та імпульсний шум ефективно усувається медіанним фільтром із хрестоподібним вікном.

Для порівняння роздільної здатності ознак текстури досліджені метод Лоза і методи, що використовують ознаки різницевої гістограми другого порядку. Відповідно до методу Лоза вхідне зображення заміняється чотиривимірним простором значень ознак, розрахованих із застосуванням масок мікротекстури розміром 5х5. При обробці текстури з використанням ознак різницевої гістограми другого  порядку зображення заміняється простором ознак, що містить контраст, другий кутовий момент і середнє значення.

При дослідженнях виконувався розрахунок вищевказаних ознак для текстур ультразвукових ехограм здорової печінки і кісти печінки, потім вироблялося порівняння отриманих вибірок значень ознак. Встановлено, що при обробці текстур реальних ультразвукових знімків печінки кращу роздільну здатність мають ознаки, розраховані по методах, які використовують різницеву гістограму другого порядку.

Для визначення конкретного методу розрахунку ознак різницевої гістограми другого порядку, що дозволяє найбільш оперативно обробляти інформацію, виконане експериментальне порівняння швидкодії алгоритмів розрахунку ознак GLDS (Gray Level Difference Statistics) і SGLD (Spatial Gray Level Dependence). У результаті експериментів встановлено, що розрахунок ознак GLDS проводиться в середньому на 25% швидше, ніж розрахунок ознак SGLD. На підставі проведених досліджень зроблений висновок, що при обробці текстур ультразвукових ехограм печінки доцільно використовувати ознаки текстури GLDS.

Виконано обґрунтування і вибір методу класифікації текстур ультразвукових ехограм печінки. Проаналізовано можливість застосування сучасних методів класифікації для обробки текстур печінки. Для цього були досліджені вхідні дані класифікатора. З цією метою побудовані гістограми розподілів значень ознак GLDS, розрахованих для текстур здорової печінки і кісти печінки. Аналіз гістограм показав, що розподіли ознак для різних текстур перекриваються. У зв'язку з цим кореляційні методи, а також методи вірогіднісної класифікації застосовувати для рішення задачі класифікації текстур недоцільно, тому що їхня ефективність при обробці такої вхідної інформації недостатня. Встановлено, що для класифікації текстур ультразвукових зображень печінки необхідно використовувати штучні нейронні мережі, тому що вони мають високу швидкодію і здатні стійко функціонувати у випадку нечітких вхідних даних, та вхідних даних що перекриваються.

У результаті аналізу способів одержання ультразвукових зображень встановлено, що текстури внутрішніх органів можуть з'являтися на зображенні під різними кутами стосовно границь вікна в результаті суб'єктивних факторів, а також при одержанні різних ультразвукових перетинів (рис.2).

       Рис. 2. Захоплення текстури вікном при її різних кутах повороту щодо країв зображення

Проведено експерименти по вибору параметрів методу перетворення ультразвукових ехограм, що дозволяють знизити вплив на точність класифікації кутів повороту текстур щодо границь вікна, а також зменшити погрішність обробки однорідних ділянок і стиків декількох текстур. Встановлено, що для зниження залежності результату класифікації від кутів повороту доцільно розраховувати ознаки GLDS для 4-х векторів зсуву: . Для підвищення точності класифікації текстур усередині однорідних ділянок і зниження погрішності при обробці стиків двох або декількох текстур пропонується виконувати згладжування однойменних координат векторів простору ознак за допомогою фільтра, що зберігає контури.

У результаті проведених досліджень запропонований метод перетворення ультразвукових зображень в автоматизованій системі обробки ультразвукових ехограм, що відрізняється від існуючим перетворенням вихідного зображення в 12-вимірний простір ознак GLDS зі згладжуванням їхніх значень. Математично метод можна представити в такий спосіб. Для рішення поставленої задачі кожне значення яскравості пікселя зображення повинне бути замінене множиною ознак GLDS, розрахованих по його околиці розміром WxW. Для цього спочатку виконується розрахунок матриці

,                                                                    (1)

де - різницеве зображення для вектора зсуву , розраховане по вихідному зображенню . Далі по отриманій матриці розраховується вектор GLDS:

,                                                                               (2)

де K – кількість рівнів яскравості, які можуть бути представлені на вхідному зображенні (для ультразвукових ехограм печінки, отриманих від сучасної ультразвукової апаратури K=256), а величини визначаються у такий спосіб:

.                                                               (3)

За отриманими значеннями виробляється безпосередній розрахунок множини ознак GLDS:

,                                                                       (4)

де складові розраховуються по формулах (5) – (7).

,                                                                                       (5)

,                                                                         (6)

.                                                                         (7)

У (5)-(7) - вектор, що представляє собою різницеву гістограму другого порядку, де елемент із номером є кількість пікселів на зображенні, що аналізується, абсолютна різниця яскравості яких дорівнюється і які розділені на зображенні вектором зсуву , де - відстань проміж пікселями по горизонталі, а - по вертикалі. 

Розрахунки (1) - (4) виробляються для кожного з чотирьох векторів зсуву . Такий вибір векторів зсуву необхідний для зниження залежності точності класифікації текстур від кутів повороту, обумовлених різними положеннями ультразвукових датчиків при обстеженні пацієнтів. Величина при цьому вибирається порівнянної з величиною текстуроутворюючого елемента печінки.

У результаті перетворень формується 12-вимірний простір значень ознак текстури:

       ,                                                               (8)

де si:

• контрасти в 4-х напрямках відповідно до векторів зсуву: ;
• другі кутові моменти: ;
• середні значення: .

Після цього значення ознак піддаються згладжуванню з використанням фільтра, що зберігає контури (перетворення FLT):

       .                                                               (9)

Ця операція дозволяє зменшити число помилок усередині областей з однорідною текстурою, а також на стиках декількох текстур. Експериментально встановлене, що застосування згладжування значень ознак дозволяє одержати виграш у точності класифікації текстур на невеликих зображеннях, що містить текстури декількох різних тканин більш 10%.

Отримані простори ознак дозволяють здійснити класифікацію текстур. Для цих цілей згладжені ознаки пред'являються на вхід нейромережевого класифікатора для розпізнавання й одержання результуючого зображення, де кожному пікселю з координатами присвоюється колір-індекс , що відповідає розпізнаному класу текстури (ця операція позначена як НМ):

.                                                               (10)

Як показали експериментальні дослідження запропонованого методу, точність класифікації з використанням даного методу слабко залежить від кута повороту, її розкид складає не більш 5%, при середній точності розпізнавання текстур 94,4%.

У третьому розділі відповідно до запропонованого методу проведено функціональну декомпозицію процесу обробки ультразвукових ехограм органів людини, а також побудовано функціональну модель цього процесу. Побудована модель дозволила визначити функції і структуру програмного забезпечення, необхідного для її реалізації. Схематично створена модель представлена у вигляді SADT-діаграми (рис. 3).

Рис. 3. Функціональна модель процесу обробки текстури ультразвукових ехограм

З результатів функціональної декомпозиції випливає, що для створення математичної моделі процесу обробки інформації в автоматизованій системі обробки ультразвукових ехограм необхідно побудувати математичну модель нейромережевого класифікатора текстур.

Аналіз ряду робіт показав, що при рішенні задачі класифікації гарні результати показують прямоточна і каскадна нейронні мережі. Точність розпізнавання текстур цими мережами залежить від їхньої структури: числа і типу шарів і числа нейронів у них. По причині того що класифікація текстур повинна проводитися по множині значень ознак, які перекриваються, у вищевказаних нейронних мережах пропонується використовувати нечіткий вихідний шар, у якому кожному класові текстури буде відповідати окремий нейрон.

Виконано експерименти з використанням засобів пакета “Matlab” по визначенню залежності точності розпізнавання текстур і швидкості навчання прямоточних і каскадних нейронних мереж від їхньої структури. При експериментальних дослідженнях використовувалися текстури реальних ультразвукових знімків здорової печінки і печінки з 5-ю дифузійними патологіями: цироз, жирова дистрофія, а також три різновиди поразки гепатитами. У результаті експериментів визначені параметри нейронної мережі, які дозволяють найбільш точно здійснювати класифікацію текстур ультразвукових ехограм печінки: прямоточна тришарова мережа з 12 нейронами у вхідному шарі, 25 нейронами в схованому шарі і 6 нейронами у вихідному. Схематично нейронна мережа з обраною структурою зображена на рис. 4.

Рис. 4. Схема нейронної мережі з обраною структурою

На рис. 4 матриці LWi,j – матриці вагових коефіцієнтів зв‘язків від j-го шару нейронної мережі до i-го; bm – вектори порогів m-го шару; th - тангенціальна активаційна функція шару, kx - лінійна. З урахуванням отриманих результатів побудована математична модель процесу обробки текстури ультразвукових ехограм. Відповідно до даної моделі на першому етапі кожна точка вхідного зображення перетворюється у  вектор із простору ознак :

=[

].                           (11)

Значення величин CON, ANSM і MEAN розраховуються відповідно до (5)-(7). Потім значення однойменних координат векторів ділянки зображення, що аналізується, піддаються згладжуванню, у результаті якого формуються нові вектори :

або .                                                                       (12)

Тут функціональні перетворювачі MedF і QuadF позначають алгоритми, які використовуються при фільтрації значень ознак. Перетворювач MedF – для медіанного фільтра з квадратним вікном, QuadF – для квадрантного фільтра, який виконує згладжування зі збереженням контурів.

Далі по вектору згладжених ознак виконується розпізнавання текстур за допомогою нейронної мережі, що має структуру, визначену в результаті моделювання:

.                                                           (13)

Тут матриці , і - матриці вагових коефіцієнтів шарів нейронної мережі. , і - це вектори порогів відповідних шарів мережі. Функція th – це тангенціальна активаційна функція перших двох шарів мережі:

.                                                                                   (14)

Як метод навчання даної нейронної мережі в роботі використаний алгоритм зворотного поширення помилки.

Виконано дослідження впливу параметрів методу обробки ультразвукових ехограм на точність розпізнавання текстур. Встановлено, що найкраща точність розпізнавання текстур досягається при наступних значеннях параметрів: довжина вектора зсуву , розмір вікна для розрахунків ознак текстури 7 пікселів,  тип фільтра – квадрантний, розмір вікна квадранта фільтра 15 пікселів. При цьому отримана погрішність розпізнавання, яка склала 2,8% невірно класифікованих пікселів.

Для отриманих значень параметрів методу, проведені експерименти по обробці реальних ультразвукових знімків печінки, підданих наступним дифузійним поразкам: хронічному гепатитові і цирозові. Результати експериментів показали, що в результаті класифікації більшість пікселів зображень були правильно віднесені до відповідних класів текстур, що підтвердило раніше встановлений діагноз.

У четвертому розділі виконано розробку архітектури й алгоритмів автоматизованої системи обробки ультразвукових ехограм органів людини для прийняття рішень. Структура даної системи показана на рис. 5.

Система складається з підсистеми введення інформації, підсистеми фільтрації, підсистеми обробки текстури ультразвукових ехограм, підсистеми збереження даних, підсистеми візуалізації результатів і підсистеми формування експертного висновку про стан досліджуваного органа (рис. 5).

Підсистема формування експертного висновку дозволяє при необхідності враховувати крім інформації, одержуваної з результатів обробки зображення, дані про пацієнта, внесені в систему лікарем. Показано, що доцільно виконати побудову даної автоматизованої системи з використанням принципу модульності, а також із застосуванням сучасних засобів структурованої обробки даних (XML-програмування) і управління виконанням процесів (стандартів, розроблених  Workflow Management Coalition).