Порівняльний аналіз алгоритмів класифікації при аналізі медичних зображень за відеоданими спекл-трекінг ехокардіографії
dc.contributor.author | Петруніна, О. О. | |
dc.contributor.author | Шевага, Д. О. | |
dc.contributor.author | Бабенко, В. О. | |
dc.contributor.author | Павлов, В. А. | |
dc.contributor.author | Рисін, С. В. | |
dc.contributor.author | Настенко, Є. А. | |
dc.date.accessioned | 2021-10-26T09:33:05Z | |
dc.date.available | 2021-10-26T09:33:05Z | |
dc.date.issued | 2021 | |
dc.description.abstracten | Background. 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.abstractru | Проблематика. 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.abstractuk | Проблематика. 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.pagerange | С. 153–166 | uk |
dc.identifier.citation | Порівняльний 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.doi | https://doi.org/10.20535/ibb.2021.5.3.234990 | |
dc.identifier.uri | https://ela.kpi.ua/handle/123456789/44796 | |
dc.language.iso | uk | uk |
dc.source | Innovative Biosystems and Bioengineering, 2021, Vol. 5, No. 3 | uk |
dc.subject | алгоритми класифікації | uk |
dc.subject | аналіз медичних зображень | uk |
dc.subject | спекл-трекінг ехокардіографія | uk |
dc.subject | гармонічні структури | uk |
dc.subject | стан серця | uk |
dc.subject | метод групового урахування аргументів | uk |
dc.subject | ішемічна хвороба серця | uk |
dc.subject | адаптивний бустинг | uk |
dc.subject | логістична регресія | uk |
dc.subject | classification algorithms | uk |
dc.subject | випадковий ліс | uk |
dc.subject | speckle-tracking echocardiography | uk |
dc.subject | medical image analysis | uk |
dc.subject | coronary heart disease | uk |
dc.subject | heart condition | uk |
dc.subject | harmonic structures | uk |
dc.subject | logistic regression | uk |
dc.subject | group method of data handling | uk |
dc.subject | random forest | uk |
dc.subject | adaptive boosting | uk |
dc.subject | анализ медицинских изображений | uk |
dc.subject | алгоритмы классификации | uk |
dc.subject | спекл-трекинг эхокардиография | uk |
dc.subject | состояние сердца | uk |
dc.subject | ишемическая болезнь сердца | uk |
dc.subject | гармоничные структуры | uk |
dc.subject | логистическая регрессия | uk |
dc.subject | метод группового учета аргументов | uk |
dc.subject | случайный лес | uk |
dc.subject | адаптивный бустинг | uk |
dc.subject.udc | 004.891.3 + 612.171 | uk |
dc.title | Порівняльний аналіз алгоритмів класифікації при аналізі медичних зображень за відеоданими спекл-трекінг ехокардіографії | uk |
dc.type | Article | uk |
Файли
Контейнер файлів
1 - 1 з 1
Вантажиться...
- Назва:
- Porivnialnyi_analiz.pdf
- Розмір:
- 1.72 MB
- Формат:
- Adobe Portable Document Format
- Опис:
Ліцензійна угода
1 - 1 з 1
Ескіз недоступний
- Назва:
- license.txt
- Розмір:
- 9.01 KB
- Формат:
- Item-specific license agreed upon to submission
- Опис: