ІНФОЛОГІЧНА МОДЕЛЬ ФАКТОРІВ, ПОКАЗНИКІВ ТА ОЗНАК, ЩО ХАРАКТЕРИЗУЮТЬ ХРОМОСОМНІ ПАТОЛОГІЇ ЗА РЕЗУЛЬТАТАМИ АНАЛІЗУ ЗОБРАЖЕНЬ КАРІОГРАМ ПАЦІЄНТА

Анотація

Робота пов’язана із задачею ідентифікації образів на зображеннях. Класичні підходи до розв’язання подібних задач включають в себе вилучення статистичних ознак з зображення і подальший аналіз зображення за цими ознаками за допомогою штучної нейронної мережі. Однак такі підходи не надають задовільного результату в предметних областях, де класи об’єктів мають велику подібність при принциповій логічній відмінності, а також при наявності аномальних об’єктів, які потребують розпізнавання. В даній роботі запропонована інфологічна модель факторів, показників та ознак, що дозволяє подальше застосування моделей багатокритеріального прийняття рішень для вирішення задачі розпізнавання візуальних образів. Результатом роботи є запропонована інфологічна модель, котра описує нерозпізнані об’єкти Chux, що підлягають категоризації; еталонні об’єкти Ix, що слугують взірцем при категоризації; розпізнані об’єкти Chx, що містять інформацію про результат категоризації та винайдені відхилення від еталону; об’єкт бази знань BZ, яка може бути використана для формування лексичного виразу, що характеризує результат категоризації. В процесі дослідження було використано методи математичного моделювання та математичної логіки для побудови інфологічної моделі. Прикладним застосуванням наведеної моделі є реалізація системи підтримки прийняття рішень про діагностування хромосомних аномалій за результатом аналізу зображень каріограм пацієнта. Подібні системи мають можливість приймати в якості вихідних даних зображення каріограм пацієнта (попередньо оброблені зразки біологічних матеріалів пацієнта, відзняті через камеру на лабораторному мікроскопі), проводити ідентифікацію вмісту біологічних матеріалів та надавати біологу результат аналізу на предмет наявності хромосомних патологій. Наукова новизна роботи полягає в створенні підґрунтя для системи ідентифікації образів за логічними ознаками, на відміну від класичних підходів із застосуванням статистичних ознак і штучних нейронних мереж.