Порівняльний аналіз алгоритмів класифікації при аналізі медичних зображень за відеоданими спекл-трекінг ехокардіографії

Скорочена інформація про документ
dc.contributor.authorПетруніна, О. О.
dc.contributor.authorШевага, Д. О.
dc.contributor.authorБабенко, В. О.
dc.contributor.authorПавлов, В. А.
dc.contributor.authorРисін, С. В.
dc.contributor.authorНастенко, Є. А.
dc.date.accessioned2021-10-26T09:33:05Z
dc.date.available2021-10-26T09:33:05Z
dc.date.issued2021
dc.description.abstractenBackground. Machine learning allows applying various intelligent algorithms to produce diagnostic and/or prognostic models. Such models can be used to determine the functional state of the heart, which is diagnosed by speckle-tracking echocardiography. To determine the patient's heart condition in detail, a classification approach is used in machine learning. Each of the classification algorithms has a different performance when applied to certain situations. Therefore, the actual task is to determine the most efficient algorithm for solving a specific task of classifying the patient's heart condition when applying the same speckle-tracking echocardiography data set. Objective. We are aimed to evaluate the effectiveness of the application of prognostic models of logistic regression, the group method of data handling (GMDH), random forest, and adaptive boosting (AdaBoost) in the construction of algorithms to support medical decision-making on the diagnosis of coronary heart disease. Methods. Video data from speckle-tracking echocardiography of 40 patients with coronary heart disease and 16 patients without cardiac pathology were used for the study. Echocardiography was recorded in B-mode in three positions: long axis, 4-chamber, and 2-chamber. Echocardiography frames that reflect the systole and diastole of the heart (308 samples in total) were taken as objects for classification. To obtain informative features of the selected objects, the genetic GMDH approach was applied to identify the best structure of harmonic textural features. We compared the efficiency of the following classification algorithms: logistic regression method, GMDH classifier, random forest method, and AdaBoost method.uk
dc.description.abstractruПроблематика. Машинное обучение позволяет применить различные интеллектуальные алгоритмы для получения диагности- ческих и (или) прогностических моделей. Подобные модели могут быть использованы для определения функционального состояния сердца, которое диагностируется с помощью спекл-трекинг эхокардиографии. Для того чтобы детально определить состояние сердца пациента, в машинном обучении используется подход классификации. Каждый из алгоритмов классификации имеет разную эффективность при применении в определенных ситуациях. Поэтому актуальной задачей является определение наиболее эффективного алгоритма для решения конкретной задачи классификации состояния сердца пациента при применении одинакового массива данных спекл-трекинг эхокардиографии. Цель. Оценить эффективность применения прогностических моделей логистической регрессии, метода группового учета аргументов (МГУА), случайного леса и адаптивного бустинга (AdaBoost) при построении алгоритмов поддержки принятия медицинских решений по диагностике ишемической болезни сердца.uk
dc.description.abstractukПроблематика. Машинне навчання дає змогу застосувати різні інтелектуальні алгоритми для отримання діагностичних та(або) прогностичних моделей. Подібні моделі можуть бути використані для визначення функціонального стану серця, який діагностується за допомогою спекл-трекінг ехокардіографії. Для того щоб детально визначити стан серця пацієнта, в машинному навчанні використовується підхід класифікації. Кожен із алгоритмів класифікації має різну ефективність при застосуванні в певних ситуаціях. Тому актуальною задачею є визначення найбільш ефективного алгоритму для розвʼязання конкретної задачі класифікації стану серця пацієнта при застосуванні однакового масиву даних спекл-трекінг ехокардіографії. Мета. Оцінити ефективність застосування прогностичних моделей логістичної регресії, методу групового урахування аргументів (МГУА), випадкового лісу і адаптивного бустингу (AdaBoost) при побудові алгоритмів підтримки прийняття медичних рішень щодо діагностики ішемічної хвороби серця.uk
dc.format.pagerangeС. 153–166uk
dc.identifier.citationПорівняльний аналіз алгоритмів класифікації при аналізі медичних зображень за відеоданими спекл-трекінг ехокардіографії / О. О. Петруніна, Д. О. Шевага, В. О. Бабенко, В. А. Павлов, С. В. Рисін, Є. А. Настенко // Innovative Biosystems and Bioengineering. – 2021. – Vol. 5, No. 3. – С. 153–166.uk
dc.identifier.doihttps://doi.org/10.20535/ibb.2021.5.3.234990
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/44796
dc.language.isoukuk
dc.sourceInnovative Biosystems and Bioengineering, 2021, Vol. 5, No. 3uk
dc.subjectалгоритми класифікаціїuk
dc.subjectаналіз медичних зображеньuk
dc.subjectспекл-трекінг ехокардіографіяuk
dc.subjectгармонічні структуриuk
dc.subjectстан серцяuk
dc.subjectметод групового урахування аргументівuk
dc.subjectішемічна хвороба серцяuk
dc.subjectадаптивний бустингuk
dc.subjectлогістична регресіяuk
dc.subjectclassification algorithmsuk
dc.subjectвипадковий лісuk
dc.subjectspeckle-tracking echocardiographyuk
dc.subjectmedical image analysisuk
dc.subjectcoronary heart diseaseuk
dc.subjectheart conditionuk
dc.subjectharmonic structuresuk
dc.subjectlogistic regressionuk
dc.subjectgroup method of data handlinguk
dc.subjectrandom forestuk
dc.subjectadaptive boostinguk
dc.subjectанализ медицинских изображенийuk
dc.subjectалгоритмы классификацииuk
dc.subjectспекл-трекинг эхокардиографияuk
dc.subjectсостояние сердцаuk
dc.subjectишемическая болезнь сердцаuk
dc.subjectгармоничные структурыuk
dc.subjectлогистическая регрессияuk
dc.subjectметод группового учета аргументовuk
dc.subjectслучайный лесuk
dc.subjectадаптивный бустингuk
dc.subject.udc004.891.3 + 612.171uk
dc.titleПорівняльний аналіз алгоритмів класифікації при аналізі медичних зображень за відеоданими спекл-трекінг ехокардіографіїuk
dc.typeArticleuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Porivnialnyi_analiz.pdf
Розмір:
1.72 MB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.01 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Innovative Biosystems and Bioengineering: international scientific e-journal, Vol. 5, No. 3