Разработка алгоритмов семантической сегментации и классификации биомедицинских сигналов низкой размерности на основе машинного обучения

Содержание
Введение
Глава 1. Задачи анализа биомедицинских сигналов низкой размерности .
1.1. Биомедицинские изображения и их особенности
1.2. Задачи анализа биомедицинских изображений
1.3. Обзор существующих алгоритмов сегментации биомедицинских изображений.
1.3.1. Низкоуровневые алгоритмы.
1.3.2. Алгоритмы на остове методов оптимизации и вероятностных моделей.
1.3.3. Алгоритмы на основе априорной информации
1.4. Недостатки существующих алгоритмов сегментации биомедицинских изображений .
1.5. Медицинские сигналы и их особенности
1.6. Задачи анализа медицинских сигналов
1.7. Обзор существующих алгоритмов классификации одномерных медицинских сигналов.
1.7.1. Линейные индикаторы
1.7.2. Нелинейные индикаторы
1.7.3. Алгоритмы на основе машинного обучения.
1.8. Недостатки существующих алгоритмов классификации одномерных медицинских сигналов .
1.9. Выводы.
Глава 2. Разработанные алгоритмы семантической сегмента
ции и классификации биомедицинских сигналов низкой размерности
2.1. Алгоритм выделения на изображениях однородных объектов с нечеткими границами и похожими характеристиками
2.1.1. Построение изолиний с помощью контурного алгоритма
2.1.2. Расчет признаков для классификатора.
2.1.3. Классификация изолиний методом опорных векторов
2.1.4. Автоматическое выделение искомых областей внутри указанного региона.
2.2. Алгоритм разбиения изображений на заданный набор обла
стей, неоднородных по интенсивности, при наличии единственного обучающего размеченного изображения.
2.2.1. Предварительная обработка тестового изображения
2.2.2. Разбиение изображений на суперпиксели с помощью
алгоритма сдвига среднего.
2.2.3. Априорная пространственная информация
2.2.4. Классификация пикселей с помощью рандомизированного решающего леса
2.2.5. Уточнение результата классификации с помощью Марковского случайного ноля
2.3. Алгоритм классификации с обучением по одному прецеденту
2.3.1. Задача классификации с обучением по одному прецеденту
2.3.2. Применение алгоритма АбаВооэ к индикаторам из
нелинейной динамики
2.3.3. Метод декомпозиции ансамблей классификаторов5
2.4. Выводы.
Глава 3. Экспериментальная оценка разработанных алгоритмов
3.1. Тестирование алгоритма выделения на изображениях однородных объектов с нечеткими границами и похожими характеристиками
3.1.1. Параметры контурного алгоритма
3.1.2. Сравнение разработанного алгоритма с алгоритмом
ВООАТА .
3.1.3. Сравнение разработанного алгоритма с базовыми алгоритмами сегментации .
3.1.4. Дальнейшие пути развития алгоритма
3.2. Тестирование алгоритма разбиения изображений на заданный набор областей, неоднородных по интенсивности, при наличии единственного обучающего размеченного изображения
3.2.1. Параметры алгоритма.
3.2.2. Тестирование алгоритма на изображениях из Алле
новского атласа.
3.2.3. Тестирование алгоритма на изображениях экспериментальных срезов
3.2.4. Дальнейшие пути развития алгоритма
3.3. Тестирование алгоритма классификации с обучением по одному прецеденту.
3.3.1. Тестирование обобщенного классификатора
больнойздоровый
3.3.2. Тестирование классификаторов на основе метода декомпозиции ансамблей классификаторов.
3.3.3. Дальнейшие пути развития алгоритма
3.4. Выводы.
Глава 4. Программная реализация разработанных алгоритмов
4.1. Программная реализация алгоритма выделения на изображениях однородных объектов .
4.2. Программная реализация алгоритма разбиения изображений
на заданных набор областей.
4.3. Программная реализация алгоритма классификации с обучением по одному прецеденту
4.4. Выводы.
Заключение.
Благодарности
Литература