Алгоритмы анализа видеоизображений в диагностике типов болезней на основе вейвлетных волновых функций

Предмет исследований обусловлен необходимостью разработки и использования высокочувствительных квантовых, волновых технологий, квантовых сенсоров в анализе данных, распознавании образов, автоматизированной диагностике типов болезней с использованием современных датчиков в макромире, медицинской визуализации органов человека [14], представленных в виде изображений F(x,y), а также данных, снимаемых в виде временных рядов f(t) и изображений F(x,y) совместно, с использованием одномерных вейвлетных волновых функций двух типов a1 и a2, изменяющихся в интервале ±π, введенных и использованных в работе [2].

Цель исследования: разработка высокоэффективных алгоритмов и пакета программ для совместного анализа взаимообусловленных данных, представленных в виде временных рядов f(t) и изображений F(x,y), получаемых разными методами и датчиками: рентгеновских, ультразвуковых, разных видов томографии: компьютерной (КТ), магнитно-резонансной (МРТ), позитронно-эмиссионной (ПЭТ), в том числе и методами фотоники, многоканальных электрокардиографов (ЭКГ) и электроэнцелографов (ЭЭГ), радиотермографов и других многоканальных приборов, используемых в функциональной диагностике, распознавании образов, диагностике типов болезней органов человека в медицине и других областях, отображаемых современными датчиками на основе квантовых технологий [11–13] с использованием волновых функций 2-х типов: изменений частотных и временных (пространственных) составляющих данных наблюдений по фазе – соответственно a1- и a2-волн, извлекаемых из «квантов информации» f(t) и F(x,y)[1], отражающих состояние органов человека в соответствующих наблюдениях.

Методы исследования: а) преобразование «квантов информации» f(t) и F(x,y), образов множеств исследуемых объектов в два вида волновых функций: фазо-частотные a1- и фазо-временные (пространственные) a2-характеристики [2; 7], вычисляемые путем последовательностей одноуровневого дискретного двумерного вейвлет-преобразования dwt2, – разделения видеообраза F(x,y) на матрицы деталей [4; 6]: аппроксимации (сA), горизонтали (сH), вертикали (cV), диагонали (cD) для каждого из цветов (красный (R), зеленый (G), синий (B)), если изображение цветное, функции одномерного непрерывного вейвлет-преобразования cwt(f(t),1:k,'cgau5') и многоканальные усредняющие операции матриц вейвлет-коэффициентов φ(a,b),выходов вейвлет-преобразований cwt деталей видеообразов по столбцам и строкам, т. е. выполнение операций a1=φ(a,b̅ ) и a2=-φ(ɑ̅ ,b); б) отбор на построенных в Surfer изображениях вейвлет-коэффициентов φ(a,b) переменных f(t) разночастотных пилообразных волновых функций типа a2 4-х типов деталей AHVD, используемых для диагностики типов болезней; в) статистический анализ корреляций волновых функций типов a1 или  a2 диагностируемой болезни с аналогичными характеристиками множеств болезней в известных типах болезней органа.

Объекты исследования: временные ряды f(t) и изображения F(x,y) исследуемых, в частности видеообразы дна глаза, диагностируемых типов болезней глаза, многоканальные фазо-частотные a1=φ(a,b̅ )и фазо-пространственные a2=-φ(a̅ ,b) характеристики, волновые функции исходных данных f(t) и F(x,y), вычисляемых применением вейвлет-преобразований dwt2 и cwt и операций усреднений матрицы φ(a,b) по строкам и столбцам.

Основные результаты исследования: а) реализована возможность преобразования «квантов информации»: временных рядов f(t), используемых в медицине видеообразов F(x,y), в частности болезней глаза, в два вида волновых функций a1 и a2 с использованием вейвлет-преобразований, соответствующих корпускулярно-волновой природе микро- и макромира; б) реализована возможность автоматизированной диагностики типов глазных болезней с использованием корреляций вычисленных волновых функций типов a1 и a2 диагностируемой болезни с волновыми функциями a1 и a2 множеств известных типов болезней; в) показано, что при коррелировании волновых функций диагностируемой болезни определенного типа с волновыми функциями множеств известных типов болезней средние значения в столбиках матрицы корреляций имеют разные значения; в столбике корреляций однотипных болезней среднее значение mean максимальное, стандартное отклонение std не всегда минимальное, зависящее от составов изображений в типах, что является признаком обнаружения типа болезни в матрице корреляций; г) установлены корреляционные связи между типами болезней при диагностике типов болезней с использованием вейвлетных волновых функций a1 и a2, характеризующие силы связей между типами болезней, обусловленных общностью свойств структур тканей органа зрения, на которых развиваются типы болезней глаза, а также происхождением болезней; д) найден надежный способ локализации типа диагностируемой болезни в матрице корреляций характеристик a1 или a2 болезни с характеристиками множеств известных типов болезней, основанный на корреляции характеристик диагностируемой болезни и характеристик задаваемого исследователем изображения, типы болезней которых совпадают с характеристиками множеств известных типов болезней; е) найден надежный способ разделения типов болезней с вероятностью p>0,95, основанный на максимизации наблюдаемого значения t_набл критерия при проверке гипотезы о равенстве средних двух совокупностей путем элиминаций коэффициентов корреляций в двух частях столбика корреляций двух типов болезней; ж) установлены требования к формированию множеств исходных данных, «квантов информации», позволяющих получить надежные диагностики типов болезней; таковыми являются: увеличение мощностей множеств исходных данных в типах болезней; увеличение детальности в наблюдениях, в том числе и увеличение порядков вычисляемых a1- и a2-волн в вейвлет-преобразованиях.