Umělé neuronové sítě a jejich aplikace ve zdravotnictví

Umělé neuronové Umělé neuronové sítě a jejich sítě a jejich aplikace ve aplikace ve

zdravotnictvízdravotnictvíJansová HelenaJansová Helena

Biologické neuronové sítě - přirozená Biologické neuronové sítě - přirozená inteligenceinteligence

Podstatou umělých neuronových sítí je modelování struktury a činnosti biologických neuronových sítí. Biologické neuronové sítě tvoří základ informačních systémů všech živých organismů.

V současné době neexistuje jednoznačná a plně vyčerpávající definice přirozené inteligence. Můžeme definovat některé její vlastnosti jako soubor specifických předpokladů jednotlivce, umožňujících mu úspěšně se vyrovnat s novými životními podmínkami a řešit situace, v nichž nelze použít návykového chování.

Přirozenou inteligenci lze popsat některými znaky, jako je např. rozumovost, duševní schopnost, vyspělost, chápavost, vzdělanost, moudrost, duševní nadání atd.

Warwick: inteligence je lidská vlastnost, kterou lze těžko definovat a ještě hůře měřit.

Základním, jak strukturálním, tak i funkčním stavebním elementem Základním, jak strukturálním, tak i funkčním stavebním elementem biologického informačního systému je nervová buňka – neuron.biologického informačního systému je nervová buňka – neuron.

Mozková kůra obsahuje 13 až 15 miliard neuronů, z nichž každý Mozková kůra obsahuje 13 až 15 miliard neuronů, z nichž každý může být propojen až s 5000 jinými neuronymůže být propojen až s 5000 jinými neurony

Každý neuron se skládá z těla - somy, vstupních výběžků - Každý neuron se skládá z těla - somy, vstupních výběžků - dendridů, výstupního vlákna - axonu, které je na konci rozvětveno.dendridů, výstupního vlákna - axonu, které je na konci rozvětveno.

Propojení je realizováno tak, že terminály axonu se stýkají s Propojení je realizováno tak, že terminály axonu se stýkají s výběžky - trny dendridů jiných neuronů. K přenosu informace slouží výběžky - trny dendridů jiných neuronů. K přenosu informace slouží mezineuronové rozhraní nazývané synapse, které mohou být buďto mezineuronové rozhraní nazývané synapse, které mohou být buďto excitační, rozšířující vzruch, nebo inhibiční, vzruch tlumící. excitační, rozšířující vzruch, nebo inhibiční, vzruch tlumící.

Pokud je neuron na vstupech podrážděn a toto podráždění Pokud je neuron na vstupech podrážděn a toto podráždění přesáhne určitou hraniční mez nazývanou práh, sám generuje přesáhne určitou hraniční mez nazývanou práh, sám generuje impuls a tím je zajištěno šíření informace. impuls a tím je zajištěno šíření informace.

Biologické neuronové sítě - principBiologické neuronové sítě - princip

Umělé neuronové sítě – základní principUmělé neuronové sítě – základní princip

Perceptron je základní stavební jednotkou neuronových sítí, jehož vstupní údaje jsou zpracovávány podle následujícího vztahu:Perceptron je základní stavební jednotkou neuronových sítí, jehož vstupní údaje jsou zpracovávány podle následujícího vztahu:

kde kde xx ii jsou vstupy neuronu, celkový počet neuronů je N jsou vstupy neuronu, celkový počet neuronů je N w i jsou synaptické váhy f je nelineární přenosová funkce neuronu, tzv. aktivační funkce (převádí vnitřní potenciál neuronu do definovaného oboru výstupních hodnot, bývá neklesající; nejčastěji se používají funkce: signum, sigmoida, semilineární funkce a lineární funkce.) Q je práh. Určuje hodnotu, kterou je nutno překročit, aby byl aktivován výstup.

Jednovrstvý perceptronJednovrstvý perceptron


Jednovrstvý perceptronJednovrstvý perceptron

Struktura jednovrstvého perceptronu Struktura jednovrstvého perceptronu


Pracovní fáze umělé neuronové sítěPracovní fáze umělé neuronové sítěUčeníUčení. V. V této fázi dochází ke změnám v neuronové síti, této fázi dochází ke změnám v neuronové síti, síť se adaptuje na síť se adaptuje na řešení daného problému. Realizuje se řešení daného problému. Realizuje se nastavováním vah mezi uzly.nastavováním vah mezi uzly.

Učení s učitelemUčení s učitelem. . Při tomto typu učení existuje Při tomto typu učení existuje vnější kritérium vnější kritérium určující, který výstup je správný a v určující, který výstup je správný a v síti se nastavují váhy podle síti se nastavují váhy podle zpětné vazby. Počítá se zpětné vazby. Počítá se rozdíl mezi žádaným a skutečným rozdíl mezi žádaným a skutečným výstupem. Tento výstupem. Tento rozdíl je nutné co nejvíce snížit, což má za rozdíl je nutné co nejvíce snížit, což má za úkolující úkolující algoritmus.algoritmus.

Učení bez učiteleUčení bez učitele. . Do této metody nevstupuje Do této metody nevstupuje žádné vnější žádné vnější kritérium správnosti a celé učení je kritérium správnosti a celé učení je založeno pouze na informacích, založeno pouze na informacích, které samotná síť které samotná síť během celého procesu učení získala.během celého procesu učení získala. VybavováníVybavování. . VV této fázi se zpracovávají vstupní data. Na této fázi se zpracovávají vstupní data. Na základě vstupu dat vznikne ve vstupní vrstvě základě vstupu dat vznikne ve vstupní vrstvě nerovnovážný stav. V neuronech se zapamatované nerovnovážný stav. V neuronech se zapamatované hodnoty začnou působením ostatních neuronů přes spoje hodnoty začnou působením ostatních neuronů přes spoje měnit a mění se až do doby než nastane opět rovnovážný měnit a mění se až do doby než nastane opět rovnovážný stav. Na jejich výstupech je pak požadovaná odezva sítě stav. Na jejich výstupech je pak požadovaná odezva sítě na tento vstup.na tento vstup.

Otázky typOtázky typ a jak vlastně lidé myslí, co je podstatou myšlení apod. se a jak vlastně lidé myslí, co je podstatou myšlení apod. se objevovaly již od pradávna. Příkladem toho mohou být úvahy objevovaly již od pradávna. Příkladem toho mohou být úvahy některých antickýcněkterých antických h filozofů.filozofů.

Průkopníky v oblasti UNS byli mj. Američané McCulloch a jeho Průkopníky v oblasti UNS byli mj. Američané McCulloch a jeho student Pitts, kteří vytvořili v roce 1943 matematický model student Pitts, kteří vytvořili v roce 1943 matematický model neuronu.neuronu.

V roce 1949 navrhl Hebb učicí pravidlo, které bylo založeno na V roce 1949 navrhl Hebb učicí pravidlo, které bylo založeno na modifikaci synaptických vah mezi neurony během učicího procesu.modifikaci synaptických vah mezi neurony během učicího procesu.

V roce 1958 Rosenblatt vynalezl tzv. perceptron, který je V roce 1958 Rosenblatt vynalezl tzv. perceptron, který je zobecněnímzobecněním

McCullochova a Pittsova modelu neuronu pro reálný číselný obor McCullochova a Pittsova modelu neuronu pro reálný číselný obor parametrů. Později sestrojil síť perceptronů a pro tento model parametrů. Později sestrojil síť perceptronů a pro tento model neuronu navrhl také učicí algoritmus.neuronu navrhl také učicí algoritmus.

Krátce po objevení perceptronu,Krátce po objevení perceptronu, v roce 1959 odvodili a popsali v roce 1959 odvodili a popsali Windrow a Hoff model neuronu ADALINE (Adaptive Linear Neuron). Windrow a Hoff model neuronu ADALINE (Adaptive Linear Neuron). ADALINE je model neuronu s několika vstupy a doplňkovým ADALINE je model neuronu s několika vstupy a doplňkovým jednotkovým signálem. Spojením jednotlivých ADALINEjednotkovým signálem. Spojením jednotlivých ADALINE vzniká vzniká umělá neuronová síť s názvem MADALINE (Many Adaptive Linear umělá neuronová síť s názvem MADALINE (Many Adaptive Linear Neuron)Neuron)

Umělé neuronové sítě - historieUmělé neuronové sítě - historie

V této době se zdálo, že se umělým neuronovým sítím otevírá velmi V této době se zdálo, že se umělým neuronovým sítím otevírá velmi slušná budoucnost. Nicméně i přes nesporné úspěchy dosaženéslušná budoucnost. Nicméně i přes nesporné úspěchy dosažené v v tomto období se neuronovým sítím postavily do cesty dva zřejmé tomto období se neuronovým sítím postavily do cesty dva zřejmé problémy. Za prvé, většinou se přistupovalo k neuronovým sítím z problémy. Za prvé, většinou se přistupovalo k neuronovým sítím z experimentálního hlediska a zanedbával se jejich analytický experimentálního hlediska a zanedbával se jejich analytický výzkum. Za druhé, obecné nadšení z prvotních úspěchů vedlo k výzkum. Za druhé, obecné nadšení z prvotních úspěchů vedlo k tomu, že někteří vědečtí pracovníci publikovali zcela neopodstatná tomu, že někteří vědečtí pracovníci publikovali zcela neopodstatná tvrzení. Např., že za několik málo let bude sestrojen umělý mozek. tvrzení. Např., že za několik málo let bude sestrojen umělý mozek. O tom nelze vážně hovořit ani v dnešní době, natož v 60. letech O tom nelze vážně hovořit ani v dnešní době, natož v 60. letech minulého století. Tyto skutečnosti měly za následek ztrátu důvěry minulého století. Tyto skutečnosti měly za následek ztrátu důvěry seriózních vědců a inženýrů k umělým neuronovým sítím.seriózních vědců a inženýrů k umělým neuronovým sítím.

Nešťastná byla též kampaň vedená Minským a Papertem, kteří Nešťastná byla též kampaň vedená Minským a Papertem, kteří využili svého vlivu, aby diskreditovali výzkum umělých využili svého vlivu, aby diskreditovali výzkum umělých neuronových sítí ve prospěch převodu finančních zdrojů z této neuronových sítí ve prospěch převodu finančních zdrojů z této oblasti do jiné oblasti výzkumu umělé inteligence. Pro svou oblasti do jiné oblasti výzkumu umělé inteligence. Pro svou argumentaci využili známého faktu, že jeden perceptron nemůže argumentaci využili známého faktu, že jeden perceptron nemůže realizovat jednoduchou logickou funkci, tzv. vylučovací disjunkci realizovat jednoduchou logickou funkci, tzv. vylučovací disjunkci (XOR). Toto tvrzení je sice správné, ale platí pro jeden perceptron. (XOR). Toto tvrzení je sice správné, ale platí pro jeden perceptron.


Jednoduchá síť, složená ze tří perceptronů, tuto logickou funkci Jednoduchá síť, složená ze tří perceptronů, tuto logickou funkci už simulovat umí. Nicméně v té době ještě nebyl znám už simulovat umí. Nicméně v té době ještě nebyl znám algoritmus učení pro vícevrstvý perceptron. Uvedení autoři z algoritmus učení pro vícevrstvý perceptron. Uvedení autoři z toho vyvodili závěr, že takový algoritmus učení vzhledem ke toho vyvodili závěr, že takový algoritmus učení vzhledem ke složitosti, kterou vícevrstvá síť řeší, snad ani není možný. Toto složitosti, kterou vícevrstvá síť řeší, snad ani není možný. Toto tvrzení bylo všeobecně přejato a považováno za matematicky tvrzení bylo všeobecně přejato a považováno za matematicky dokázané. Umělé neuronové sítě pak na více než 20 let upadly dokázané. Umělé neuronové sítě pak na více než 20 let upadly prakticky v zapomnění.prakticky v zapomnění.Práce na výzkumu v této oblasti již nebyly dále dotovány, což Práce na výzkumu v této oblasti již nebyly dále dotovány, což mělo za následek to, že výzkumné práce a projekty se téměř mělo za následek to, že výzkumné práce a projekty se téměř zastavily.zastavily.

K opětovnému nástupu neuronových sítí dochází v letech 1982–4, kdy Američan Hopfield navrhnul nový model neuronové sítě tzv. Hopfieldovu síť. Jedná se o plně propojenou symetrickou síť, tedy propojení „každý s každým, kromě sebe sama“.

Další velmi důležitý objev byl zaznamenán v roce 1986, kdy se nezávisle na sobě podařilo dvěma vědcům, Rumelhartovi a LeCunovi, odvodit a popsat nový algoritmus učení vrstevnatých neuronových sítí. Jednalo se o algoritmus zpětného šíření chyby, tzv. Backpropagation Algorithm, kterým bylo možno řešit problém, jenž se Minskému a Papertovi v 60. letech jevil jako nepřekonatelná překážka pro využití a další rozvoj umělých neuronových sítí. Tento algoritmus je dosud nejpoužívanější metodou učení neuronových sítí.


V druhé polovině 80. let přichází Fin Kohonen s dalším velmi V druhé polovině 80. let přichází Fin Kohonen s dalším velmi důležitým objevem, s tzv. samoorganizující se neuronovou sítí. důležitým objevem, s tzv. samoorganizující se neuronovou sítí. SamoorganizujícíSamoorganizujícíse neronové sítě jsou takové, které ke svému učení nepotřebují se neronové sítě jsou takové, které ke svému učení nepotřebují učitele. Příkladem z této kategorie neuronových sítí může být např. učitele. Příkladem z této kategorie neuronových sítí může být např. Kohenenova síť, resp. Kohenenova mapa.Kohenenova síť, resp. Kohenenova mapa.

V roce 1987 se v San Diegu konala první větší konference V roce 1987 se v San Diegu konala první větší konference specializovanáspecializovanána neuronové sítě. Tato konference měla přibližně 1700 účastníků. na neuronové sítě. Tato konference měla přibližně 1700 účastníků. Ve stejném roce byla založena mezinárodní společnost pro výzkum Ve stejném roce byla založena mezinárodní společnost pro výzkum neuronových sítí INNS (International Neural Network Society). V neuronových sítí INNS (International Neural Network Society). V roce 1988 INNS začala vydávat svůj časopis Neural Networks. V roce 1988 INNS začala vydávat svůj časopis Neural Networks. V následujících letech vznikly další specializované časopisy. Např. v následujících letech vznikly další specializované časopisy. Např. v Praze vychází od roku 1991 mezinárodní časopis Neural Network Praze vychází od roku 1991 mezinárodní časopis Neural Network World. V této době se při univerzitách zakládají nové výzkumné World. V této době se při univerzitách zakládají nové výzkumné ústavy zabývající se neuronovými sítěmi.ústavy zabývající se neuronovými sítěmi.

Tento trend ve své podstatě přetrvává až do dnešní doby. Dnes se Tento trend ve své podstatě přetrvává až do dnešní doby. Dnes se výzkum orientuje na vývoj nových, rychlejších učicích algoritmů a výzkum orientuje na vývoj nových, rychlejších učicích algoritmů a především na rozvoj aplikací v praxi. Výzkum již není soustředěn především na rozvoj aplikací v praxi. Výzkum již není soustředěn jen do největších a ekonomicky nejbohatších zemí, jako jsou USA a jen do největších a ekonomicky nejbohatších zemí, jako jsou USA a Japonsko, ale provozuje se prakticky po celém světě.Japonsko, ale provozuje se prakticky po celém světě.


není možné matematicky popsat všechny vztahy a souvislosti, které není možné matematicky popsat všechny vztahy a souvislosti, které ovlivňují sledovaný proces ovlivňují sledovaný proces

exaktní matematický model je tak složitý, že případná algoritmizace exaktní matematický model je tak složitý, že případná algoritmizace úlohy je takřka nemožná.úlohy je takřka nemožná.

Umělé neuronové sítě - aplikaceUmělé neuronové sítě - aplikaceNeuronové sítě mají své opodstatněné použití v případech, kdy při řešení Neuronové sítě mají své opodstatněné použití v případech, kdy při řešení daného problému:daného problému:

Schopnost učit seSchopnost učit se. To znamená získávat znalosti učením pomocí . To znamená získávat znalosti učením pomocí množiny předkládaných vzorů bez nutnosti znalosti algoritmu řešenímnožiny předkládaných vzorů bez nutnosti znalosti algoritmu řešení

Schopnost zobecňovat a schoponost abstrakceSchopnost zobecňovat a schoponost abstrakce

Výhody umělých neuronových sítíVýhody umělých neuronových sítí

Požadavky na umělé neuronové sítěPožadavky na umělé neuronové sítě Od umělé inteligence a tedy i od umělých neuronových sítí Od umělé inteligence a tedy i od umělých neuronových sítí

požadujeme umět uložit znalosti (vědomosti ), aplikovat znalosti pro požadujeme umět uložit znalosti (vědomosti ), aplikovat znalosti pro řešení daného problému (uvažování) a získat v průběhu řešení daného problému (uvažování) a získat v průběhu experimentu nové znalosti (učení).experimentu nové znalosti (učení).

Modelování a řízení nelineárních systémůModelování a řízení nelineárních systémů Predikce a případné následné rozhodováníPredikce a případné následné rozhodování ((energetikaenergetika – spo – spotřeba třeba

elektrické energie, ekonomie, finančnictví - vývoj cen a akcií na elektrické energie, ekonomie, finančnictví - vývoj cen a akcií na burze, doprava, meteorologie - předpověď počasí, ekologie, burze, doprava, meteorologie - předpověď počasí, ekologie, lékařství, vojenství, chemie, strojírenství, vodní hospodářství lékařství, vojenství, chemie, strojírenství, vodní hospodářství ))

Rozpoznávání a případná rekonstrukce obrazcůRozpoznávání a případná rekonstrukce obrazců ((rozpoznávání rozpoznávání tištěných číslic a písmen, rozpoznávání ručně psaného textu, např. tištěných číslic a písmen, rozpoznávání ručně psaného textu, např. ručně psaných poštovních směrovacích čísel nebo ověřování ručně psaných poštovních směrovacích čísel nebo ověřování pravosti podpisů, rozpoznání a analýzu otisků prstů v kriminalisticepravosti podpisů, rozpoznání a analýzu otisků prstů v kriminalistice))

Problematika analýzy signálůProblematika analýzy signálů (a (analýza signálu EKG a EEG ve nalýza signálu EKG a EEG ve zdravotnictví, analýza a syntéza přirozené řeči pro přenos informace zdravotnictví, analýza a syntéza přirozené řeči pro přenos informace v komunikaci mezi lidmiv komunikaci mezi lidmi, , analýzy radarových signálů v letectvíanalýzy radarových signálů v letectví).).

Komprese, expanze, kódování a dekódování signálKomprese, expanze, kódování a dekódování signáluu ( (přenos přenos televizního nebo telekomunikačního signálutelevizního nebo telekomunikačního signálu))..

Řízení složitých zařízení v dynamicky se měnících podmínkáchŘízení složitých zařízení v dynamicky se měnících podmínkách ((regulace toku látek ve složitém technologickémregulace toku látek ve složitém technologickém procesu procesu chemického průmysluchemického průmyslu, , autopilot, řízení zpětného chodu dlouhých autopilot, řízení zpětného chodu dlouhých trajektůtrajektů). ).

Transformace signálů Transformace signálů (převod psaného textu na mluvený signál).(převod psaného textu na mluvený signál).

Umělé neuronové sítě - aplikaceUmělé neuronové sítě - aplikace

Artificial Neural Networks in Medicine Artificial Neural Networks in Medicine World MapWorld Map

USA Canada Austria Finland Germany Hungary The Netherlands Sweden UK

Artificial neural networks in Artificial neural networks in HealthcareHealthcare

1. Clinical diagnosis

SScreening of Papcreening of Pap (cervical) smears(cervical) smears Papnet is a commercial neural network-based computer program Papnet is a commercial neural network-based computer program

for assisted screening of Papfor assisted screening of Pap (cervical) smears. A Pap smear test (cervical) smears. A Pap smear test examines cells taken from the uterine cervix for signs ofexamines cells taken from the uterine cervix for signs of precancerous and cancerous changes.precancerous and cancerous changes.

Since a patient with aSince a patient with a serious abnormality can have fewer than a serious abnormality can have fewer than a dozen abnormal cells among the 30,000 - 50,000 normaldozen abnormal cells among the 30,000 - 50,000 normal cells on cells on her Pap smear, it is very difficult to detect all cases of early cancer her Pap smear, it is very difficult to detect all cases of early cancer by this "needle-in-aby this "needle-in-a haystack„haystack„ search.search.

Relying on manual inspection alone makesRelying on manual inspection alone makes it inevitable that some it inevitable that some abnormal Pap smears will be missed, no matter how careful the abnormal Pap smears will be missed, no matter how careful the laboratory is.laboratory is. In fact, even the best laboratories can miss from 10% In fact, even the best laboratories can miss from 10% - 30% abnormal cases “Papnet-assisted- 30% abnormal cases “Papnet-assisted reviews of [cervical] reviews of [cervical] smears result in a more accurate screening process than the smears result in a more accurate screening process than the current practice leading to an earlier and more effective detection of current practice leading to an earlier and more effective detection of pre-cancerous and cancerous cells in thepre-cancerous and cancerous cells in the cervix”.cervix”.


Papnet displaying images from a cervical smear.


Detection of acute myocardial infarction The performance of the neural networks was then compared with

that of a widely used ECG interpretation program and that of an experienced cardiologist (tested by a research group at University Hospital, Sweden).

Neural networks were 15.5% more sensitive than the interpretation Neural networks were 15.5% more sensitive than the interpretation program and 10.5% more sensitive than the cardiologist in program and 10.5% more sensitive than the cardiologist in diagnosing any abnormalities. But the cardiologist was slightly better diagnosing any abnormalities. But the cardiologist was slightly better at recognising ECGs with very clear-cut acute myocardial infarction at recognising ECGs with very clear-cut acute myocardial infarction changes.changes.

Prediction of metastases in breast cancer patients They used EMN to construct discrete models that predict the

occurrence of axilliary lymph node metastases in breast cancer patients, based on characteristics of the primary tumour alone.


The clinical and physiological features used in the analysis are: The clinical and physiological features used in the analysis are: age ofage of the patient at the time of diagnosis of the primary tumour ; the patient at the time of diagnosis of the primary tumour ;

assessment of the size of the tumour nuclei; assessment of the assessment of the size of the tumour nuclei; assessment of the variability of thevariability of the shape and size of the tumour nuclei; tumour shape and size of the tumour nuclei; tumour grading; gross size of the primary tumour; andgrading; gross size of the primary tumour; and presence/absence of presence/absence of carcinoma in peritumoural vessel.carcinoma in peritumoural vessel.

Results indicated that EMN is an effectiveResults indicated that EMN is an effective way of constructing way of constructing discrete models from small data sets.discrete models from small data sets.

Prediction of breast cancer survivalsPrediction of breast cancer survivals Burke et al compared the prediction accuracy of artificial neural Burke et al compared the prediction accuracy of artificial neural

networks and other statisticalnetworks and other statistical models for breast cancer survival. The models for breast cancer survival. The neural network was a multilayer perceptron trained with theneural network was a multilayer perceptron trained with the backpropagation learning algorithm. Compared with the TNM backpropagation learning algorithm. Compared with the TNM staging system (tumour size, numberstaging system (tumour size, number of nodes with metastatic of nodes with metastatic disease, and distant metastases), artificial neural networks proved disease, and distant metastases), artificial neural networks proved to beto be more accurate in predicting 5 year survival of 25 cases used in more accurate in predicting 5 year survival of 25 cases used in this study.this study.


DDiagnosis of Down’s Syndrome in unborn babiesiagnosis of Down’s Syndrome in unborn babies 8 data variables (age of the8 data variables (age of the mother; gestation in weeks; and 6 mother; gestation in weeks; and 6

serum markers) from 459 patients (410 control and 49 Down’sserum markers) from 459 patients (410 control and 49 Down’s Syndrome) were used as inputs. Syndrome) were used as inputs.

84% correct classification rates surpassed the 60-70%84% correct classification rates surpassed the 60-70% classification classification rate of current statistical method. However, it was at the expense of rate of current statistical method. However, it was at the expense of a high falsea high false positive detection rate of 35.5%, which compared with positive detection rate of 35.5%, which compared with 6-7% of mathematical methods, suggest6-7% of mathematical methods, suggest that, in practical terms, the that, in practical terms, the cost-benefit derived from using neural networks in this particularcost-benefit derived from using neural networks in this particularapplication is not acceptable.application is not acceptable.


2. Image analysis and interpretationRecognicion region of interest of the thorax Miller, et al trained different neural networks (NNs) to recognise

regions of interest (ROIs) corresponding to specific organs within electrical impedance tomography images (EIT) of the thorax.

The network allows automatic selection of optimal pixels based on the number of images, over a sample period, in which each pixel is classified as belonging to a particular organ.

Initial results using simulated EIT data indicate the possible use of neural networks for characterization of such images.

Blood cell classification from microscope images. 82 objects extracted from 133 digitised images were isolated using

classical image enhancement algorithms. A single layer perceptron trained with the backpropagation learning algorithm was used.

The output produced a binary output, indicating whether the input corresponded to a normal or a pathologic cell network correctly classified 65 out of 82 objects.


FFocusocusinging, segment, segmentationation and classif and classificationication lung-parenchyma lesions in lung-parenchyma lesions in

standard chest radiographies standard chest radiographies A Laplacian-of-Gaussian kernel filter is applied to the X-Ray imagesA Laplacian-of-Gaussian kernel filter is applied to the X-Ray images

to remove low frequency components, while preserving detail to remove low frequency components, while preserving detail contrast. An input mask of 19x19contrast. An input mask of 19x19 units serves as input to the units serves as input to the classification module, which consists of a feedforward network. classification module, which consists of a feedforward network.

TheThe output of the network identifies regions of interest (ROIs) in the output of the network identifies regions of interest (ROIs) in the image, which later are analysed byimage, which later are analysed by other modules in the systemother modules in the system..

SSegmentation and classification multi-spectral MRI images of normalegmentation and classification multi-spectral MRI images of normal

andand pathological human brainpathological human brain Results indicate that sharp and compact segmentation of MRI Results indicate that sharp and compact segmentation of MRI

imagesimages can be obtained with neural networks with a small can be obtained with neural networks with a small architecture.architecture.


PPatternattern recognition in mammogramsrecognition in mammograms FFeatures extracted from mammograms byeatures extracted from mammograms by experienced radiologistsexperienced radiologists

were usedwere used. A pyramidal neural network detects malignant tumours . A pyramidal neural network detects malignant tumours or clusteredor clustered calcifications in pre-processed mammograms.calcifications in pre-processed mammograms.

Results indicate that abnormal patterns observed inResults indicate that abnormal patterns observed in mammograms mammograms can be mapped into a unique data set.can be mapped into a unique data set.

3. Signal analysis and interpretation

Detection four ECG waveforms Kohonen neural network to detect four ECG waveforms. The

network was trained with data from the MIT/BIH Arrhythmia Database. The database contains 48 half –hour ECG recordings.


Recognition of evoked response waveformsRecognition of evoked response waveforms A multilayer perceptron was trained to differentiate between A multilayer perceptron was trained to differentiate between

Contingent Negative Variation (CNV)Contingent Negative Variation (CNV) evoked response waveforms of evoked response waveforms of patients with Huntington’s disease, Parkinson’s disease andpatients with Huntington’s disease, Parkinson’s disease andschizophrenia (Jervis:94). schizophrenia (Jervis:94).

Data from 47 patients (20 schizophrenic, 16 Parkinson’s disease and Data from 47 patients (20 schizophrenic, 16 Parkinson’s disease and 1111 Hungtinton’s disease) and 47 control subjects was used in the Hungtinton’s disease) and 47 control subjects was used in the study. Seventeen CNV features werestudy. Seventeen CNV features were used as inputs to the network. used as inputs to the network.

Results are promising with sensitivities greater than 0.9 beingResults are promising with sensitivities greater than 0.9 beingconsidered as clinically useful. However, results could be improved considered as clinically useful. However, results could be improved given more data.given more data.

CClassification oflassification of phosphorus (31P) magnetic resonance spectra (MRS)phosphorus (31P) magnetic resonance spectra (MRS) from normal andfrom normal and cancerous breast tissuescancerous breast tissues KKnowledge-based neural network (KBANN)nowledge-based neural network (KBANN) Data from 26 cases was used as input to the network. A priori Data from 26 cases was used as input to the network. A priori

knowledge of metabolic features ofknowledge of metabolic features of n normal and cancerous breast ormal and cancerous breast tissues was incorporated into the structure of the neural network totissues was incorporated into the structure of the neural network to


overcome the scarcity of available data. overcome the scarcity of available data. Classification rates of 62.4% for “knowledge-free” neuralClassification rates of 62.4% for “knowledge-free” neural networks networks

and 87.36% for KBANNs showed how KBANNs outperformed and 87.36% for KBANNs showed how KBANNs outperformed conventional neuralconventional neural networks in the classification of 31P MRS. networks in the classification of 31P MRS. This indicates that the combination of symbolic andThis indicates that the combination of symbolic andconnectionist techniques is more robust than a connectionist connectionist techniques is more robust than a connectionist technique alone.technique alone.

4. Drug development

National Cancer Institute, USA implemented a neural network for drug development. The network predicts a drug’s mechanism of action from its pattern of activity against a panel of 60 malignant cell lines.

The network correctly classified 91.5% of presented anticancer agents (drugs) according to their mechanism of action. Compared with 85.8% correct classification rate of linear discriminant analysis and standard statistical techniques, neural networks clearly show their suitability to classify complex data.

Elektronické zdroje:Elektronické zdroje:

[1] http://www.phil.gu.se/ann/annworld.html

[2] http://www.openclinical.org/neuralnetworksinhealthcare.html

[3] http://www.sweb.cz/jaroslav.teda/neu.htm

[4] http://www.programujte.com/rservice.php?akce=save&cisloclank u=2005090201-Inteligentni-ekonomicke-systemy-%5B-I-%5D

[5] http://cmp.felk.cvut.cz/cmp/courses/recognition/zapis/

Date post:	02-Jan-2016
Category:	Documents
Upload:	alden-mcmahon
View:	34 times
Download:	2 times

Umělé neuronové sítě a jejich aplikace ve zdravotnictví

Documents