АГРЕГИРОВАННАЯ ОЦЕНКА РЕЗУЛЬТАТОВ ДИЭЛЕКТРИЧЕСКОЙ ИМПЕДАНСНОЙ СПЕКТРОСКОПИИ НА ОСНОВЕ СТАТИСТИЧЕСКИХ ПАРАМЕТРОВ И МЕТРИКИ ХАУСДОРФА
- Авторы: Демушкина К.М.1
-
Учреждения:
- Пензенский государственный университет
- Выпуск: № 2 (2025)
- Страницы: 147-155
- Раздел: МОДЕЛИ, СИСТЕМЫ, СЕТИ В ТЕХНИКЕ
- URL: https://bakhtiniada.ru/2227-8486/article/view/307589
- DOI: https://doi.org/10.21685/2227-8486-2025-2-12
- ID: 307589
Цитировать
Полный текст
Аннотация
Актуальность и цели. В работе рассматривается метод неинвазивной диагностики рака молочной железы с помощью диэлектрической импедансной спектроскопии. Предлагается способ формирования по результатам обследования методом диэлектрической импедансной спектроскопии агрегатированной оценки состояния молочной железы, которая повышает достоверность обнаружения новообразований. Материалы и методы. Для оценки результатов биоимпедансной спектроскопии был разработан следующий алгоритм: на основе результатов многократных измерений активной и реактивной составляющих комплексного сопротивления молочной железы в информативном частотном диапазоне 20 Гц – 20 МГц рассчитываются статистические параметры и метрика Хаусдорфа частотных характеристик составляющих относительной диэлектрической проницаемости, которые нормируются методом MinMаx. Агрегатированная оценка состояния молочной железы формируется из нормированных оценок статистических параметров и метрик Хаусдорфа методом PCA/LOO. Результаты. В результате исследования были ранжированы три объекта согласно объему неоднородных включений. Полученные результаты совпали с экспериментальными данными. Выводы. Применение статистических параметров и метрики Хаусдорфа позволяет провести сравнительную оценку объектов с неоднородными включениями и на основе агрегированной оценки определить динамику развития раковой клетки.
Об авторах
Ксения Михайловна Демушкина
Пензенский государственный университет
Автор, ответственный за переписку.
Email: riabova.ksenija@yandex.ru
аспирант
(Россия, г. Пенза, ул. Красная, 40)Список литературы
- Федеральная служба государственной статистики. URL: https://rosstat.gov.ru/ (дата обращения: 17.03.2025).
- Jossinet J. The impedivity of freshly excised human breast tissue // Physiol. Meas. 1998. Vol. 19, № 1. P. 61–75.
- Zarafshani A. Feasibility Test of Quantitative Assessment of Breast Density Based on Dielectric Impedance Spectroscopy // JABB. 2017. Vol. 2, № 6.
- Grzegorczyk T. M. [et al.]. Fast 3-D Tomographic Microwave Imaging for Breast Cancer Detection // IEEE Trans. Med. Imaging. 2012. Vol. 31, № 8. P. 1584–1592.
- Safronov M. [et al.]. Mobile ECG Monitoring Device with Bioimpedance Measurement and Analysis // 2019 24th Conference of Open Innovations Association (FRUCT). Moscow, 2019. P. 375–380. doi: 10.1109/DSPA60853.2024.10510118
- Kuzmin A., Baranov V. Bioimpedance spectroscopy of breast phantoms // Journal of Electrical Bioimpedance. 2025. Vol. 16, № 1. P. 50–55. doi: 10.2478/joeb-2025-0007
- Косякова Н. В. Оценка регионального здравоохранения методом Minmax с целью изучения опыта организации лекарственного обеспечения больных с орфанными заболеваниями // Здоровье и образование в XXI веке. 2017. № 12. URL: https://cyberleninka.ru/article/n/otsenka-regionalnogo-zdravoohraneniya-metodomminmax-s-tselyu-izucheniya-opyta-organizatsii-lekarstvennogo-obespecheniya-bolnyh-s (дата обращения: 09.06.2025).
- Rodriguez A., Wright G., Emrich S., Clark P. L. MinMax: A versatile tool for calculating and comparing synonymous codon usage and its impact on protein folding // Protein Sci. 2018. № 27 (1). P. 356–362. doi: 10.1002/pro.3336
- Haque Md. S. Hassan Md. R., Binmakhashen G. M. [et al.]. Breast Density Classification for Cancer Detection Using DCT-PCA Feature Extraction and Classifier Ensemble // Intelligent Systems Design and Applications. 2018. March. P. 702–711. doi: 10.1007/978- 3-319-76348-4_68
- Ibrahim S., Nazir S., Velastin S. Feature Selection Using Correlation Analysis and Principal Component Analysis for Accurate Breast Cancer Diagnosis // Journal of Imaging. 2021. Vol. 7. P. 225. doi: 10.3390/jimaging7110225
- Yuan J., Li Y., Liu C., Zha X. Leave-One-Out Cross-Validation Based Model Selection for Manifold Regularization // 7th International Symposium on Neural Networks. 2010. P. 457–464.
Дополнительные файлы














