ОБЗОР ВСТРАИВАЕМЫХ СИСТЕМ РАСПОЗНАВАНИЯ ОБРАЗОВ В МЕДИЦИНЕ

OVERVIEW OF EMBEDDED PATTERN RECOGNITION SYSTEMS IN MEDICINE

Shaheen Ghadeer

PhD Student, Faculty of Software Engineering and Computer Systems, Saint Petersburg National Research University of Information Technologies, Mechanics and Optics,

Russia, Saint Petersburg

АННОТАЦИЯ

В данной статье представлен обзор встраиваемых систем для распознавания образов в области медицины. основные используемые сигналы, приложения, методологии, подходы, сложности и аспекты дизайна были продемонстрированы.

ABSTRACT

This paper presents an overview of embedded systems of pattern recognition in the medical field. The major used signals, applications, methodologies, approaches, challenges and design aspects have been demonstrated.

Ключевые слова: распознавание образов; встраиваемые системы; вычисления; датчик; медицина.

Keywords: pattern recognition; embedded systems; computing; sensor; medicine.

I. Введение

В нынешнюю эпоху наша жизнь стала все больше зависеть от встраиваемых систем. Встраиваемая система предназначена для выполнения одного или ограниченного числа задач. Целью распознавания образов является классификация объектов по нескольким категориям или классам. Встраиваемые системы распознавания образов получили широкое распространение в медицинских приложениях с появлением высокопроизводительных, низкозатратных, энергоэффективных программируемых процессоров.

II. Используемые сигнал

Изображения являются одним из широко распространенных сигналов распознавания. Даже в некоторых случаях другие виды информации сначала переводятся в изображения, а затем интерпретируются алгоритмами распознавания образов (напр. Магнитно-резонансная томография, Ультразвук). Осмотр за пределами визуального спектра (напр. Рентгеновское излучение) предлагает существенное дополнение к осмотру с помощью визуальной информации. Большое количество задач связано с аудиосигналами (звуком). Есть также много других видов входных данных, которые могут обрабатываться системами распознавания образов для выполнения практических задач, таких как: Сигналы от датчиков (измерения температуры, давления и т. д.), временные ряды или наборы данных от физических процессов и др.

III. Приложения

Медицинское оборудование является классической областью раннего внедрения новых технологий. Распознавание образов может быть очень полезным для улучшения диагностики заболеваний и клинической практики с использованием встраиваемых систем в таких областях, как: Искусственные органы (3D биопечать органов и тканей, искусственные конечности, искусственные сердечно-сосудистые органы, такие как электрокардиостимуляторы и желудочковое вспомогательное устройство, и т. д.), Интерфейсы (точная хирургия), компьютерный анализ (макро или микроскопические повреждения, патогены и т. д.), мониторинг жизненно важных функций почти мгновенно (устройство для мониторинга температуры и сердечного ритма), хранение данных и обзор полной истории болезни пациента, дистанционный мониторинг пациентов, дистанционная медицинская помощь, тесты по Неспециализированный персонал (мониторы глюкозы) и почти в каждом виде систем визуализации, включая позитронно-эмиссионная томография, компьютерная томография, магнитно-резонансная томография и т. д.

IV. Методологии

Мы можем столкнуться с несколькими подходами, использующиеся обычно в системах распознавания образов:

1. Статистический подход [1]: статистические системы распознавания образов основаны на представлении каждого образа d-признаков как точки в d-мерном пространстве d-мерных признаков. Следовательно, векторы-образы занимают компактные и непересекающиеся области в пространстве представлений. Логический комбинаторный подход [2] и метод опорных векторов [3] подпадают под статистическое распознавание образов.
2. Синтаксический (Структурный) подход [4]: В структурном подходе каждый образ представлен в виде иерархической (древовидной) структурной информации. Образ описывается в терминах более простых подобразо, а каждый более простой подобразов описывается в терминах еще более простых подобразов и т. д. (так же, как фразы и предложения создаются путем объединения слов, а слова создаются из символов различными способами композиции).
3. Сопоставление с шаблоном [5]: Шаблонами могут быть определенные объекты в сцене, буквы, образующие слова в письменном или устном тексте. Задача сопоставления с шаблоном включает в себя определение «сходства» между доступными (известными шаблонами) эталонными образами и (неизвестным) тестовым образом путем выполнения операции сопоставления
4. Нейронные сети [6]: Модели нейронных сетей неявно основаны на классических статистических подходах распознавания образов. Вся модель нейронной сети основана на многоуровневой архитектуре, позволяющей использовать слои «нейронов» для обработки необработанных данных и поиска в них образов. Слой принимает входные данные, извлекает признак и подает на следующий слой. Процесс обучения включает обновление архитектуры сети и модификация весов между нейронами, чтобы сеть могла эффективно выполнять определенную задачу классификации.
5. Подход приближенного рассуждения (Нечёткая логика) [7]: В некоторых задачах распознавания перекрытие классов образов приводит к неоднозначности в распознавании объектов. В таких случаях принадлежность образа к классу является вопросом степени. Нечёткая техника, способная разделять образы, используя мягкие границы. Таким образом, образ может быть классифицирован на один или несколько классов с определенной степенью принадлежности к каждому классу.
6. Гибридные подходы объединяют различные аспекты предыдущих подходов для разработки более сложных алгоритмов в некоторых приложениях, например, Фаззификация нейронных сетей [8].

V. Подходы

Многие предложения существуют в литературе для достижения этих целей, которые варьируются от оптимизации кода для обычных процессоров с ограниченной мощностью процессора и памятью, до проектирования аппаратных средств специального назначения:

- Использование готовой архитектуры требует детальной оптимизации кода нижнего уровня, а иногда и адаптации некоторых операций к специализированным DSP [9] [10].

- Использование специальных архитектур, таких как параллельные взаимосвязанные процессоры. Наиболее экономически вариантом является использование массивного параллелизма или графических процессоров GPU [11].

- Использование специального или реконфигурируемого аппаратного обеспечения для реализации алгоритмов ядра распознавания образов. Дизайны могут стать чипами VLSI или быть нагружены в реконфигурируемые цепи как FPGA [12].

В популярных встраиваемых системах используются высокопроизводительные встраиваемые процессоры CPU, GPU + CPU, DSP + ускорители + CPU, FPGA + CPU и ASSP + CPU. Эти различные технологии предлагают разную степень параллелизма, обработки в реальном времени, операций с плавающей точкой, реконфигурируемость, интегрирования, гибкости программирования, энергопотребления, времени разработки, размер, охлаждение и стоимость. Таким образом, разработчики систем должны учитывать их соответствие характеристикам, необходимым для встраиваемых систем распознавания, чтобы обеспечить требуемую точность и скорость классификации.

VI. Сложности и аспекты дизайна

В медицинских приложениях разработчики систем должны сбалансировать огромные вычислительные и коммуникационные требования со строгими ограничениями ресурсов ресурсов (напр. объема памяти) встраиваемых платформ с учетом  оптимизации алгоритма, быстрого отклика, специализированных пользовательских интерфейсов и протоколов работы, компромисса между частотой ошибок и стоимостью/выгодой, высоконадежности, жесткие условия эксплуатации с колебаниями температуры и воздействием шоков и вибраций, адекватной защиты частной жизни пациента, необходимости обеспечения высокой надежности и целостности данных, поступающих по сети, правил безопасности, обучения и поддержки операторов, инсталляции, сопровождения и обновлений.

VII. Заключение

Растущие потребности к постоянной точности и надежности требуют современных систем для выполнения значительно разнообразных задач. Системы распознавания образов развиваются с развитием алгоритмов и технологий, таких как датчики, цифровые интерфейсы, освещение, вычислительные возможности, искусственный интеллект, связь и сеть. Медицинские приложения извлекают выгоду из таких достижений. Комбинация с несколькими технологиями и методологиями позволяет достичь более высокой эффективности в различных приложениях с меньшей неопределенностью. Разнообразие приложений демонстрирует огромный потенциал систем распознавания образов в медицине.

Список литературы:

1. Jain, Anil K., Robert P. W. Duin, and Jianchang Mao. "Statistical pattern recognition: A review." IEEE Transactions on pattern analysis and machine intelligence 22.1 (2000): 4-37.
2. Martı́nez-Trinidad, José Francisco, and Adolfo Guzmán-Arenas. "The logical combinatorial approach to pattern recognition, an overview through selected works." Pattern Recognition 34.4 (2001): 741-751.
3. Byun, Hyeran, and Seong-Whan Lee. "Applications of support vector machines for pattern recognition: A survey." International Workshop on Support Vector Machines. Springer, Berlin, Heidelberg, 2002.
4. Mariusz, Flasinski. Syntactic pattern recognition. Vol. 6. World Scientific, 2019.
5. Swaroop, Paridhi, and Neelam Sharma. "An overview of various template matching methodologies in image processing." International Journal of Computer Applications 153.10 (2016): 8-14.
6. Basu, Jayanta Kumar, Debnath Bhattacharyya, and Tai-hoon Kim. "Use of artificial neural network in pattern recognition." International journal of software engineering and its applications 4.2 (2010).
7. Ray, Kumar S., and Jayati Ghoshal. "Approximate reasoning approach to pattern recognition." Fuzzy Sets and Systems 77.2 (1996): 125-150.
8. Ishibuchi, Hisao, and Manabu Nii. "Fuzzification of Neural Networks for Classification Problems." Hybrid Methods in Pattern Recognition. 2002. 1-31.
9. Hata, Seiji, et al. "Assembled PCB visual inspection machine using image processor with DSP." 15th Annual Conference of IEEE Industrial Electronics Society. IEEE, 1989.
10. Manikandan, J., and B. Venkataramani. "Hardware implementation of voice operated robot using Support Vector Machine classifier." 2012 Fourth International Conference on Advanced Computing (ICoAC). IEEE, 2012.
11. Mak, K. L., and X. W. Tian. "Iterative tensor tracking using GPU for textile fabric defect detection." The 2010 International Conference on Green Circuits and Systems. IEEE, 2010.
12. Chen, Jiun-Yan, et al. "Real-time FPGA-based template matching module for visual inspection application." 2012 IEEE/ASME International Conference on Advanced Intelligent Mechatronics (AIM). IEEE, 2012.