Cybernetics And Systems Analysis logo
Інформація редакції Аннотації статей Автори Архів
Кібернетика та Системний Аналіз
Міжнародний Науково-Теоретичний Журнал
Том 59 >>> № 2 БЕРЕЗЕНЬ — КВІТЕНЬ 2023
-->

УДК 004.048+616-079.4

В.О. БАБЕНКО,
Національний технічний університет України «Київський політехнічний інститут
імені Ігоря Сікорського», Київ, Україна,  vbabenko2191@gmail.com

Є.А. НАСТЕНКО,
Національний технічний університет України «Київський політехнічний інститут
імені Ігоря Сікорського», Київ, Україна,   nastenko.e@gmail.com

В.А. ПАВЛОВ,
Національний технічний університет України «Київський політехнічний інститут
імені Ігоря Сікорського», Київ, Україна,   pavlov.vladimir264@gmail.com

О.К. ГОРОДЕЦЬКА,
Національний технічний університет України «Київський політехнічний інститут
імені Ігоря Сікорського», Київ, Україна,   o.nosovets@gmail.com

І.М. ДИКАН,
Інститут ядерної медицини і променевої діагностики, Київ, Україна,
 irinadykan@gmail.com

Б.А. ТАРАСЮК,
Інститут ядерної медицини і променевої діагностики, Київ, Україна,
 btarasyuk13@gmail.com

В.В. ЛАЗОРИШИНЕЦЬ,
Національний інститут серцево-судинної хірургії імені М.М. Амосова, Київ, Україна,
 lazorch@ukr.net


КЛАСИФІКАЦІЯ ПАТОЛОГІЙ ЗА МЕДИЧНИМИ
ЗОБРАЖЕННЯМИ АЛГОРИТМОМ ВИПАДКОВОГО
ЛІСУ ДЕРЕВ ОПТИМАЛЬНОЇ СКЛАДНОСТІ

Анотація. Запропоновано підхід до побудови класифікаторів у класі алгоритмів Random Forest. Для визначення оптимального поєднання та складу ансамблів ознак під час побудови дерев лісу застосовано генетичний алгоритм. Для оптимізації структури дерев використано принципи методу групового урахування аргументів. Оптимізацію процедури голосування дерев у лісі реалізовано із застосуванням методу аналізу ієрархій. Наведено приклади використання запропонованого алгоритму для виявлення патологій на медичних зображеннях, а також результати класифікації порівняно з іншими відомими аналогами.

Ключові слова: класифікація патологій, медичні зображення, Random Forest, генетичний алгоритм, метод групового урахування аргументів, метод аналізу ієрархій.


повний текст

СПИСОК ЛІТЕРАТУРИ

  1. Sarker I.H. Machine learning: algorithms, real-world applications and research directions. SN Computer Science. 2021. Vol. 2, N 3. P. 160–160. https://doi.org/10.1007/s42979-021-00592-x .

  2. Mayr A., Binder H., Gefeller O., Schmid M. The evolution of boosting algorithms. Methods of Information in Medicine. 2014. Vol. 53, N 06. P. 419–427. https://doi.org/10.3414/ME13-01-0122 .

  3. Osman A.H., Aljahdali H.M.A. An effective of ensemble boosting learning method for breast cancer virtual screening using neural network model. IEEE Access. 2020. Vol. 8. P. 39165–39174. https://doi.org/10.1109/ACCESS.2020.2976149.

  4. Ho T.-K. Random decision forests. Proc. 3rd International Conference on Document Analysis and Recognition (14–16 August 1995, Montreal, QC, Canada). Montreal, 1995. Vol. 1. P. 278–282. https://doi.org/10.1109/ICDAR.1995.598994.

  5. Nastenko I., Maksymenko V., Potashev S., Pavlov V., Babenko V., Rysin S., Matviichuk O., Lazoryshinets V. Random forest algorithm construction for the diagnosis of coronary heart disease based on echocardiography video data streams. Innovative Biosystems and Bioengineering. 2021. Vol. 5, N 1. P. 61–69. https://doi.org/10.20535/ibb.2021.5.1.225794.

  6. Pavlyshenko B. Using stacking approaches for machine learning models. Proc. 2018 IEEE Second International Conference on Data Stream Mining & Processing (DSMP) (21–25 August 2018, Lviv, Ukraine). Lviv, 2018. P. 255–258. https://doi.org/10.1109/DSMP.2018.8478522.

  7. Indolia S., Goswami A.K., Mishra S.P., Asopa P. Conceptual understanding of convolutional neural network — a deep learning approach. Procedia Computer Science. 2018. Vol. 132. P. 679–688. https://doi.org/10.1016/j.procs.2018.05.069.

  8. Gu J., Wang Z., Kuen J., Ma L., Shahroudy A., Shuai B., Liu T., Wang X., Wang G., Cai J., Chen T. Recent advances in convolutional neural networks. Pattern Recognition. 2018. Vol. 77. P. 354–377. https://doi.org/10.1016/j.patcog.2017.10.013 .

  9. Sherstinsky A. Fundamentals of Recurrent Neural Network (RNN) and Long Short-Term Memory (LSTM) network. Physica D: Nonlinear Phenomena. 2020. Vol. 404. P. 132306–132306. https://doi.org/10.1016/j.physd.2019.132306 .

  10. Bojer C.S., Meldgaard J.P. Kaggle forecasting competitions: An overlooked learning opportunity. International Journal of Forecasting. 2021. Vol. 37, Iss. 2. P. 587–603. https://doi.org/10.1016/j.ijforecast.2020.07.007.

  11. Gururaj T., Vishrutha Y.M., Uma M., Rajeshwari D., Ramya B.K. Prediction of lung cancer risk using random forest algorithm based on Kaggle data set. International Journal of Recent Technology and Engineering. 2020. Vol. 8, Iss. 6. P. 1623–1630. https://doi.org/10.35940/ijrte.F7879.038620 .

  12. Litjens G., Kooi T., Bejnordi B.E., Setio A.A.A., Ciompi F., Ghafoorian M., van der Laak J.A.W.M., van Ginneken B., Sїnchez C.I. A survey on deep learning in medical image analysis. Medical Image Analysis. 2017. Vol. 42. P. 60–88. https://doi.org/10.1016/j.media.2017.07.005 .

  13. Настенко Є., Павлов В., Носовець О., Круглий В., Гончарук М., Карлюк А., Грішко Д., Трофименко О., Бабенко В. Застосування текстурного аналізу у вирішенні задачі класифікації медичних зображень. Біомедична інженерія і технологія. 2020. № 4. С. 69–82. https://doi.org/10.20535/2617-8974.2020.4.221876 .

  14. Cosgun Y., Yildirim A., Yucel M., Karakoc A.E., Koca G., Gonultas A., Gursoy G., Ustun H., Korkmaz M. Evaluation of invasive and noninvasive methods for the diagnosis of helicobacter pylori infection. Asian Pacific Journal of Cancer Prevention. 2016. Vol. 17, N 12. P. 5265–5272. URL: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5454669/

  15. Norouzi M., Collins M.D., Fleet D.J., Kohli P. CO2 Forest: improved random forest by continuous optimization of oblique splits. 2015. P. 1–8. arXiv preprint arXiv:1506.06155.

  16. Chaudhary A., Kolhe S., Kamal R. An improved random forest classifier for multi-class classification. Information Processing in Agriculture. 2016. Vol. 3, Iss. 4. P. 215–222. https://doi.org/10.1016/j.inpa.2016.08.002.

  17. Elyan E., Gaber M.M. A genetic algorithm approach to optimising random forests applied to class engineered data. Information Sciences. 2017. Vol. 384. P. 220–234. https://doi.org/10.1016/j.ins.2016.08.007 .

  18. Nastenko I., Maksymenko V., Dykan I., Nosovets O., Tarasiuk B., Pavlov V., Babenko V., Kruhlyi V., Soloduschenko V., Dyba M., Umanets V. Liver pathological states identification in diffuse diseases with self-organization models based on ultrasound images texture features. Proc. 2020 IEEE 15th International Conference on Computer Sciences and Information Technologies (CSIT) (23–26 September 2020, Zbarazh, Ukraine). Zbarazh, 2020. Vol. 2. P. 21–25. https://doi.org/10.1109/CSIT49958.2020.9321999.

  19. Nastenko I., Maksymenko V., Galkin A., Pavlov V., Nosovets O., Dykan I., Tarasiuk B., Babenko V., Umanets V., Petrunina O., Klymenko D. Liver pathological states identification with self-organization models based on ultrasound images texture features. In: Advances in Intelligent Systems and Computing V. Shakhovska N., Medykovskyy M.O. (Eds.). 2021. Vol. 1293. P. 401–418. https://doi.org/10.1007/978-3-030-63270-0_26.

  20. Anastasakis L., Mort N. The development of self-organization techniques in modelling: A review of the group method of data handling (GMDH). Research Report. ACSE Research Report 813. University of Sheffield, Department of Automatic Control and Systems Engineering. 2001. URL: https://gmdhsoftware.com/GMDH_%20Anastasakis_and_Mort_2001.pdf .

  21. Furman E., Kye Y., Su J. Computing the Gini index: A note. Economics Letters. 2019. Vol. 185. P. 108753–108753. https://doi.org/10.1016/j.econlet.2019.108753.

  22. Dong X., Qian M., Jiang R. Packet classification based on the decision tree with information entropy. The Journal of Supercomputing. 2020. Vol. 76, Iss. 6. P. 4117–4131. https://doi.org/ 10.1007/s11227-017-2227-z .

  23. Chicco D., Jurman G. The advantages of the Matthews correlation coefficient (MCC) over F1 score and accuracy in binary classification evaluation. BMC Genomics. 2020. Vol. 21, N 1. 6. https://doi.org/10.1186/s12864-019-6413-7 .

  24. Breiman L. Bagging predictors. Technical Report 421. Berkeley: University of California, Department of Statistics, 1994.

  25. Breiman L. Random forests. Machine Learning. 2001. Vol. 45, Iss. 1. P. 5–32. https://doi.org/10.1023/A:1010933404324.

  26. Breiman L. Bagging predictors. Machine Learning. 1996. Vol. 24, Iss. 2. P. 123–140. https://doi.org/10.1007/BF00058655 .

  27. Goldberg D.E. Genetic algorithms in search, optimization & machine learning. Boston: Addison-Wesley Longman Publishing Co., Inc., 1989. 432 p.

  28. Nosovets O., Babenko V., Davydovych I., Petrunina O., Averianova O., Zyonh L.D. Personalized clinical treatment selection using genetic algorithm and analytic hierarchy process. Advances in Science, Technology and Engineering Systems Journal. 2021. Vol. 6, Iss. 4. P. 406–413. https://doi.org/10.25046/aj060446 .

  29. Saaty T.L. Decision making for leaders: The analytic hierarchy process for decisions in a complex world. Pittsburgh: RWS Publications, 1990. 292 p.

  30. Sperandei S. Understanding logistic regression analysis. Biochemia Medica. 2014. Vol. 24, N 1. P. 12–18. https://doi.org/10.11613/BM.2014.003 .

  31. J., F., Svoboda A., Adaboost. In: Text Mining with Machine Learning. 2019. P. 201–210. https://doi.org/10.1201/9780429469275-9 .

  32. Petrunina O., Shevaga D., Babenko V., Pavlov V., Rysin S., Nastenko I. Comparative analysis of classification algorithms in the analysis of medical images from speckle tracking echocardiography video data. Innovative Biosystems and Bioengineering. 2021. Vol. 5, N 3. https://doi.org/10.20535/ibb.2021.5.3.234990.

  33. Настенко Є., Максименко В., Поташев С., Павлов В., Бабенко В., Рисін С., Матвійчук О., Лазоришинець В. Застосування методу групового урахування аргументів для побудови алгоритмів діагностики ішемічної хвороби серця. Біомедична інженерія і технологія. 2021. № 5. С. 1–9. https://doi.org/10.20535/2617-8974.2021.5.227141 .




Інформація редакції Аннотації статей Автори Архів
Журнал Тематичні Розділи Редакція Редакційна колегія Приклади документів Передплата Контакти
© 2023 Kibernetika.org. All rights reserved.