Volodymyr Pavlov
Volodymyr Pavlov has a total of 64 co-authors. Here are the top co-authors by number of shared publications:
- Olena Nosovets
National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute
6 shared publications - Ievgen Nastenko
Igor Sikorsky Kyiv Polytechnic Institute
5 shared publications - Vitalii Babenko
SI “Ukrainian Center of Maternity and Childhood of NAMS of Ukraine”, Kyiv, Ukraine
5 shared publications - Iryna Mykolaivna Dykan
ДУ "Інститут ядерної медицини та променевої діагностики НАМН України
3 shared publications Євген Настенко
Національний технічний університет України "Київський політехнічний інститут імені Ігоря Сікорського
3 shared publications- Галина Корнієнко
Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Україна
3 shared publications
Latest Publications
- Open Access
- 8 November 2024
- Published by Igor Sikorsky Kyiv Polytechnic Institute in Біомедична інженерія і технологія
- No. 15,p. 36-48
ВИКОРИСТАННЯ МЕТОДУ МАГНІТНО-РЕЗОНАНСНОЇ ТОМОГРАФІЇ ТА ШТУЧНОГО ІНТЕЛЕКТУ ДЛЯ ДІАГНОСТИКИ ПОСТТРАВМАТИЧНОГО СТРЕСОВОГО РОЗЛАДУ (ОГЛЯД)
В сучасних реаліях велика кількість людей переживає ментально-травмуючі події, що в подальшому може призвести до сплеску психічних та неврологічних захворювань, як-от посттравматичний стресовий розлад (ПТСР). ПТСР є серйозним психічним захворюванням, яке може виникнути після переживання травматичних подій. Це стосується не лише військових ветеранів, а й людей, які зазнали насильства, катастроф, аварій або інших стресових ситуацій. Сучасне суспільство стикається з численними викликами, пов'язаними з діагностикою та лікуванням хворих на ПТСР. Такі хворі потребуватимуть специфічних підходів до діагностики, яка є неможливою без використання інструментальних методів обстеження. В умовах сучасних технологій і наукового прогресу важливо досліджувати нові підходи до лікування цього розладу, розуміти його вплив на життя людей та подібні аспекти. Це може привести до створення нових, більш чутливих інструментів для діагностики та моніторингу стану пацієнтів. Нейровізуалізація дозволяє краще зрозуміти природу людського мозку і застосовується для виявлення органічних та функціональних змін. Методи аналізу зображень мозку дозволяють виявляти навіть неочевидні відмінності у мозковій активності у порівнянні зі здоровими особами. Розвиток магнітно-резонансних томографів, в останні три десятиріччя дав поштовх великій кількості досліджень в галузі нейробіології, що було неможливим раніше. Розуміння патофізіологічних основ захворювань є важливою складовою діагностичного процесу, тому дослідження спрямовані на пошук конкретних предикторів діагностичного висновку та патологічних змін в організмі. Враховуючи об’єми даних, що необхідно обробити, використання технологій штучного інтелекту (ШІ) є цілком виправданим. Алгоритми машинного навчання здатні аналізувати великі набори даних, виділяючи патерни, які можуть бути неочевидними для лікарів. Інтеграція ШІ з магнітно-резонансною томографією відкриває нові можливості для дослідження та лікування ПТСР. Дослідження показують, що ШІ може допомогти автоматизувати процес виявлення ознак ПТСР на зображеннях, що значно заощаджує час і ресурс лікарів. Також цей підхід може не тільки підвищити точність діагностики, але й позитивно вплинути на якість життя пацієнтів. Мета даного огляду — ознайомитися з існуючими дослідженнями в яких пропонуються різні методи аналізу даних магнітно-резонансної томографії пацієнтів з ПТСР , а також роботами в яких результати даного аналізу застосовані в методах ШІ для побудови діагностичних систем. Для досягнення мети було розглянуто актуальні роботи в яких автори описували органічні та функціональні зміни при ПТСР, а також застосування технологій машинного навчання для діагностичних цілей. Дана робота систематизує результати попередніх робіт, даючи підґрунтя для подальших досліджень. Результати даного огляду дозволяють зрозуміти перспективні напрямки у розробці методик діагностики ПТСР та шляхи їхньої реалізації. Подальші наукові зусилля в цій галузі мають бути зосереджені не лише на вдосконаленні технологій дослідження, але й на інтеграції отриманих знань у клінічну практику, що забезпечить своєчасне і ефективне лікування пацієнтів з ПТСР.
- 8 November 2024
- Published by Igor Sikorsky Kyiv Polytechnic Institute in Біомедична інженерія і технологія
- No. 15,p. 36-48
Open AccessВИКОРИСТАННЯ МЕТОДУ МАГНІТНО-РЕЗОНАНСНОЇ ТОМОГРАФІЇ ТА ШТУЧНОГО ІНТЕЛЕКТУ ДЛЯ ДІАГНОСТИКИ ПОСТТРАВМАТИЧНОГО СТРЕСОВОГО РОЗЛАДУ (ОГЛЯД)
В сучасних реаліях велика кількість людей переживає ментально-травмуючі події, що в подальшому може призвести до сплеску психічних та неврологічних захворювань, як-от посттравматичний стресовий розлад (ПТСР). ПТСР є серйозним психічним захворюванням, яке може виникнути після переживання травматичних подій. Це стосується не лише військових ветеранів, а й людей, які зазнали насильства, катастроф, аварій або інших стресових ситуацій. Сучасне суспільство стикається з численними викликами, пов'язаними з діагностикою та лікуванням хворих на ПТСР. Такі хворі потребуватимуть специфічних підходів до діагностики, яка є неможливою без використання інструментальних методів обстеження. В умовах сучасних технологій і наукового прогресу важливо досліджувати нові підходи до лікування цього розладу, розуміти його вплив на життя людей та подібні аспекти. Це може привести до створення нових, більш чутливих інструментів для діагностики та моніторингу стану пацієнтів. Нейровізуалізація дозволяє краще зрозуміти природу людського мозку і застосовується для виявлення органічних та функціональних змін. Методи аналізу зображень мозку дозволяють виявляти навіть неочевидні відмінності у мозковій активності у порівнянні зі здоровими особами. Розвиток магнітно-резонансних томографів, в останні три десятиріччя дав поштовх великій кількості досліджень в галузі нейробіології, що було неможливим раніше. Розуміння патофізіологічних основ захворювань є важливою складовою діагностичного процесу, тому дослідження спрямовані на пошук конкретних предикторів діагностичного висновку та патологічних змін в організмі. Враховуючи об’єми даних, що необхідно обробити, використання технологій штучного інтелекту (ШІ) є цілком виправданим. Алгоритми машинного навчання здатні аналізувати великі набори даних, виділяючи патерни, які можуть бути неочевидними для лікарів. Інтеграція ШІ з магнітно-резонансною томографією відкриває нові можливості для дослідження та лікування ПТСР. Дослідження показують, що ШІ може допомогти автоматизувати процес виявлення ознак ПТСР на зображеннях, що значно заощаджує час і ресурс лікарів. Також цей підхід може не тільки підвищити точність діагностики, але й позитивно вплинути на якість життя пацієнтів. Мета даного огляду — ознайомитися з існуючими дослідженнями в яких пропонуються різні методи аналізу даних магнітно-резонансної томографії пацієнтів з ПТСР , а також роботами в яких результати даного аналізу застосовані в методах ШІ для побудови діагностичних систем. Для досягнення мети було розглянуто актуальні роботи в яких автори описували органічні та функціональні зміни при ПТСР, а також застосування технологій машинного навчання для діагностичних цілей. Дана робота систематизує результати попередніх робіт, даючи підґрунтя для подальших досліджень. Результати даного огляду дозволяють зрозуміти перспективні напрямки у розробці методик діагностики ПТСР та шляхи їхньої реалізації. Подальші наукові зусилля в цій галузі мають бути зосереджені не лише на вдосконаленні технологій дослідження, але й на інтеграції отриманих знань у клінічну практику, що забезпечить своєчасне і ефективне лікування пацієнтів з ПТСР.
- Open Access
- 1 October 2024
- Published by National Academy of Sciences of Ukraine (Co. LTD Ukrinformnauka) (Publications) in Control Systems and Computers
- No. 3 (307),p. 60-67
Determining Predictors for Patient Diagnosis with PTSD using the Parameters of One-Dimensional First-Order Models for BOLD Signals from Brain Structures and GMDH
Introduction. The use of functional magnetic resonance imaging (fMRI) allows for the assessment of processes occurring in the brain. By analyzing the examination results, it is possible to establish the parameters of connections between brain structures, and changes in the values of these parameters can be used as diagnostic conclusion predictors for PTSD-patients. Purpose. To identify predictors for the classification of the PTSD diagnosis using the connectivity parameters of BOLD signals from brain structures. Methods. The technology for identifying predictors of PTSD diagnosis is based on a) the formation of connectivity parameters of BOLD signals from brain structures obtained during resting-state scanning, b) the use of classifier-oriented selection based on inter-class variance and mRMR criteria to select informative features, and c) the classification of PTSD diagnosis using a logistic regression algorithm optimized by the Group Method of Data Handling. Results. The technology proposed in this work enabled the selection of informative features and the identification of their predictive forms, resulting in the formation of classifiers for the diagnosis of PTSD with high accuracy, sensitivity, and specificity. Conclusion. A technology for the formation, selection, and use of connectivity parameters of BOLD signals from brain structures has been proposed for differentiating healthy individuals from those who suffer with PTSD. A list of the most informative features of PTSD and their predictive forms in the form of generalized variables has been obtained, which can be used for diagnostic conclusions. The results obtained indicate the presence of a specific type of connection between the brain areas identified in the study based on levels of excitation (parameters а0 of the models) and the alteration of these levels in the context of PTSD.
- 1 October 2024
- Published by National Academy of Sciences of Ukraine (Co. LTD Ukrinformnauka) (Publications) in Control Systems and Computers
- No. 3 (307),p. 60-67
Open AccessDetermining Predictors for Patient Diagnosis with PTSD using the Parameters of One-Dimensional First-Order Models for BOLD Signals from Brain Structures and GMDH
Introduction. The use of functional magnetic resonance imaging (fMRI) allows for the assessment of processes occurring in the brain. By analyzing the examination results, it is possible to establish the parameters of connections between brain structures, and changes in the values of these parameters can be used as diagnostic conclusion predictors for PTSD-patients. Purpose. To identify predictors for the classification of the PTSD diagnosis using the connectivity parameters of BOLD signals from brain structures. Methods. The technology for identifying predictors of PTSD diagnosis is based on a) the formation of connectivity parameters of BOLD signals from brain structures obtained during resting-state scanning, b) the use of classifier-oriented selection based on inter-class variance and mRMR criteria to select informative features, and c) the classification of PTSD diagnosis using a logistic regression algorithm optimized by the Group Method of Data Handling. Results. The technology proposed in this work enabled the selection of informative features and the identification of their predictive forms, resulting in the formation of classifiers for the diagnosis of PTSD with high accuracy, sensitivity, and specificity. Conclusion. A technology for the formation, selection, and use of connectivity parameters of BOLD signals from brain structures has been proposed for differentiating healthy individuals from those who suffer with PTSD. A list of the most informative features of PTSD and their predictive forms in the form of generalized variables has been obtained, which can be used for diagnostic conclusions. The results obtained indicate the presence of a specific type of connection between the brain areas identified in the study based on levels of excitation (parameters а0 of the models) and the alteration of these levels in the context of PTSD.
- Open Access
- 1 July 2024
- Published by National Academy of Sciences of Ukraine (Co. LTD Ukrinformnauka) (Publications) in Control Systems and Computers
- No. 2 (306),p. 77-87
A system for Determining the Degree of Fibrosis by Ultrasound Images of the Liver of Children with Autoimmune Hepatitis
Introduction. Diffuse diseases are the most numerous class of liver diseases. Among them, autoimmune hepatitis stands out for its severe course in children. Its timely diagnosis and assessment of the degree of liver damage is an integral part of a patient’s personalised treatment strategy. The lack of reliable non-invasive methods for assessing liver disease affects the quality of medical services. Therefore, the search for informative signs of liver damage in ultrasound images and the improvement of methods for solving multi-class classification problems are relevant areas for the development of non-invasive systems for determining the degree of liver fibrosis. Purpose. Improve the diagnosis of liver fibrosis stages through a multi-level classification system. Methods. A system for classifying the detailed degree of fibrosis (eight classes) based on neural networks according to the state of the blood vessels in ultrasound images of the liver is proposed and substantiated: the first level is a fibrosis degrees group classification of fibrosis degree for regions of interest by convolutional neural networks, the second level is the classification of fibrosis individual degrees for regions of interest by a deep neural network, the third level is the integration of the second level results to obtain conclusions about the patient (image) as a whole. In order to optimize the feature space, we have performed an exploratory analysis using a logistic multivariate regression model optimized by the Group Method of Data Handling. The resulting set of generalized variables formed the meta-feature space for the second level of the system. A twofold increase in the quality of the system’s classification is shown in comparison with solving the task of image classification by a single convolutional network with an output of eight classes. Results. Improved version of the hierarchical system for solving multiclass problems based on the use of ANNs is proposed. The system implements the classification of the detailed degree of liver fibrosis in children with autoimmune hepatitis using ultrasound images characterizing the state of liver vessels. The use of a hierarchical classification system allowed us to obtain a classification accuracy of 32.61% higher than the use of a standard multi-class classifier based on a convolutional neural network. The classification accuracy of the hierarchical system: at the first level – 32.46%; at the second level – 50.43%; at the third level – 65.22%. Conclusion. The article proposes, substantiates and develops a hierarchical classification system based on convolutional neural networks. Its use makes it possible to increase the accuracy of classification of the detailed degree of liver fibrosis by 2 times compared to the standard multi-class classifier based on СNNs. The main source of further improvement of the classification accuracy of the system should be a combination of signs of vascular deformation and texture features that can be obtained with different ultrasound imaging modes. The developed system offers new opportunities for improving methods for solving multiclass classification problems based on image analysis.
- 1 July 2024
- Published by National Academy of Sciences of Ukraine (Co. LTD Ukrinformnauka) (Publications) in Control Systems and Computers
- No. 2 (306),p. 77-87
Open AccessA system for Determining the Degree of Fibrosis by Ultrasound Images of the Liver of Children with Autoimmune Hepatitis
Introduction. Diffuse diseases are the most numerous class of liver diseases. Among them, autoimmune hepatitis stands out for its severe course in children. Its timely diagnosis and assessment of the degree of liver damage is an integral part of a patient’s personalised treatment strategy. The lack of reliable non-invasive methods for assessing liver disease affects the quality of medical services. Therefore, the search for informative signs of liver damage in ultrasound images and the improvement of methods for solving multi-class classification problems are relevant areas for the development of non-invasive systems for determining the degree of liver fibrosis. Purpose. Improve the diagnosis of liver fibrosis stages through a multi-level classification system. Methods. A system for classifying the detailed degree of fibrosis (eight classes) based on neural networks according to the state of the blood vessels in ultrasound images of the liver is proposed and substantiated: the first level is a fibrosis degrees group classification of fibrosis degree for regions of interest by convolutional neural networks, the second level is the classification of fibrosis individual degrees for regions of interest by a deep neural network, the third level is the integration of the second level results to obtain conclusions about the patient (image) as a whole. In order to optimize the feature space, we have performed an exploratory analysis using a logistic multivariate regression model optimized by the Group Method of Data Handling. The resulting set of generalized variables formed the meta-feature space for the second level of the system. A twofold increase in the quality of the system’s classification is shown in comparison with solving the task of image classification by a single convolutional network with an output of eight classes. Results. Improved version of the hierarchical system for solving multiclass problems based on the use of ANNs is proposed. The system implements the classification of the detailed degree of liver fibrosis in children with autoimmune hepatitis using ultrasound images characterizing the state of liver vessels. The use of a hierarchical classification system allowed us to obtain a classification accuracy of 32.61% higher than the use of a standard multi-class classifier based on a convolutional neural network. The classification accuracy of the hierarchical system: at the first level – 32.46%; at the second level – 50.43%; at the third level – 65.22%. Conclusion. The article proposes, substantiates and develops a hierarchical classification system based on convolutional neural networks. Its use makes it possible to increase the accuracy of classification of the detailed degree of liver fibrosis by 2 times compared to the standard multi-class classifier based on СNNs. The main source of further improvement of the classification accuracy of the system should be a combination of signs of vascular deformation and texture features that can be obtained with different ultrasound imaging modes. The developed system offers new opportunities for improving methods for solving multiclass classification problems based on image analysis.
- Open Access
- 14 May 2024
- Published by Igor Sikorsky Kyiv Polytechnic Institute in Біомедична інженерія і технологія
- No. 14,p. 64-73
ІЄРАРХІЧНИЙ АЛГОРИТМ МУЛЬТИКЛАСИФІКАЦІЇ СТАДІЙ ФІБРОЗУ ПЕЧІНКИ З ІНТЕГРОВАНИМ АНАЛІЗОМ ОБЛАСТЕЙ ІНТЕРЕСУ
Ультразвукове дослідження є провідним методом у діагностиці таких патологій, як хронічний гепатит і цироз печінки. Однак ефективність даного інструменту значною мірою залежить від кваліфікації лікаря, а інтерпретація зображень є суб'єктивною. Точна оцінка ультразвукових зображень вимагає значного досвіду фахівця в цій галузі. Впровадження автоматизованих систем класифікації стадій фіброзу печінки може стати розв’язанням проблеми нестачі висококваліфікованих радіологів, особливо в регіонах з обмеженими ресурсами. Дослідження, метою якого є розробка подібної системи, базувалося на матеріалах державної установи «Інститут ядерної медицини та променевої діагностики Національної академії медичних наук України». У дослідженні використовувався набір даних з 1059 сегментованих вручну областей інтересу з 585 ультразвукових зображень 162 пацієнтів. Кожному пацієнту була проведена біопсія печінки з подальшим гістопатологічним аналізом за системою METAVIR. Для класифікації оцінок METAVIR використовувались ансамблеві методи машинного навчання, а саме: випадковий ліс, XGBoost, LightGBM і ВЛДОС. Ефективність цих методів на різних стадіях фіброзу печінки оцінювалась за допомогою таких показників, як точність, чутливість і специфічність. Найкращі результати показали LightGBM (82% точності на тестовому наборі в задачі “F0-1 проти F2-4”, 86% точності в задачі “F0-2 проти F3-4” і 96% точності в задачі “F0-3 проти F4”) і ВЛДОС (77% точності в задачі “F0 проти F1-4”). При використанні цих моделей в запропонованому ієрархічному алгоритмі мультикласифікації стадій фіброзу була досягнута точність 99% для всіх суб’єктів. Результати дослідження підтверджують ефективність запропонованого алгоритму для визначення конкретної стадії фіброзу печінки за системою METAVIR з використанням звичайних ультразвукових зображень у В-режимі. Це відкриває перспективу швидкої та точної діагностики без необхідності використання додаткового обладнання або тестових процедур, що робить цю технологію потенційно корисною для підтримки діагностичних можливостей радіологів у клінічних умовах
- 14 May 2024
- Published by Igor Sikorsky Kyiv Polytechnic Institute in Біомедична інженерія і технологія
- No. 14,p. 64-73
Open AccessІЄРАРХІЧНИЙ АЛГОРИТМ МУЛЬТИКЛАСИФІКАЦІЇ СТАДІЙ ФІБРОЗУ ПЕЧІНКИ З ІНТЕГРОВАНИМ АНАЛІЗОМ ОБЛАСТЕЙ ІНТЕРЕСУ
Ультразвукове дослідження є провідним методом у діагностиці таких патологій, як хронічний гепатит і цироз печінки. Однак ефективність даного інструменту значною мірою залежить від кваліфікації лікаря, а інтерпретація зображень є суб'єктивною. Точна оцінка ультразвукових зображень вимагає значного досвіду фахівця в цій галузі. Впровадження автоматизованих систем класифікації стадій фіброзу печінки може стати розв’язанням проблеми нестачі висококваліфікованих радіологів, особливо в регіонах з обмеженими ресурсами. Дослідження, метою якого є розробка подібної системи, базувалося на матеріалах державної установи «Інститут ядерної медицини та променевої діагностики Національної академії медичних наук України». У дослідженні використовувався набір даних з 1059 сегментованих вручну областей інтересу з 585 ультразвукових зображень 162 пацієнтів. Кожному пацієнту була проведена біопсія печінки з подальшим гістопатологічним аналізом за системою METAVIR. Для класифікації оцінок METAVIR використовувались ансамблеві методи машинного навчання, а саме: випадковий ліс, XGBoost, LightGBM і ВЛДОС. Ефективність цих методів на різних стадіях фіброзу печінки оцінювалась за допомогою таких показників, як точність, чутливість і специфічність. Найкращі результати показали LightGBM (82% точності на тестовому наборі в задачі “F0-1 проти F2-4”, 86% точності в задачі “F0-2 проти F3-4” і 96% точності в задачі “F0-3 проти F4”) і ВЛДОС (77% точності в задачі “F0 проти F1-4”). При використанні цих моделей в запропонованому ієрархічному алгоритмі мультикласифікації стадій фіброзу була досягнута точність 99% для всіх суб’єктів. Результати дослідження підтверджують ефективність запропонованого алгоритму для визначення конкретної стадії фіброзу печінки за системою METAVIR з використанням звичайних ультразвукових зображень у В-режимі. Це відкриває перспективу швидкої та точної діагностики без необхідності використання додаткового обладнання або тестових процедур, що робить цю технологію потенційно корисною для підтримки діагностичних можливостей радіологів у клінічних умовах
- 1 March 2024
- Published by Igor Sikorsky Kyiv Polytechnic Institute in Біомедична інженерія і технологія
- No. 13,p. 23-32
РОЗРОБКА СИСТЕМИ НАКОПИЧЕННЯ ТА ЗБЕРІГАННЯ МЕДИЧНИХ ЗОБРАЖЕНЬ ЗА ДОПОМОГОЮ SALESFORCE
In the context of healthcare, there is an urgent need to optimize medical data management, including aspects of storage, processing, and exchange of medical images. This need is becoming more urgent because of increasing demands on the accuracy of diagnoses and the effectiveness of treatment procedures, which necessitates the improvement of existing systems in this area. At the same time, the issue of ensuring the security and confidentiality of patient data is becoming critical. The introduction of advanced technologies, including artificial intelligence, has the potential to significantly improve the accuracy of diagnostic procedures. The goal of this research is to create an innovative system for storing, processing, and exchanging medical images, with a focus on improving diagnostic efficiency and ensuring proper security of patient data. The project includes the development of a system integrated with various components of CRM systems, such as patient tracking, scheduling, medical documentation, and reporting. This will contribute to the efficient organization of the healthcare system. The main functionality of the developed system is a gallery for viewing uploaded medical images. The system is equipped with seven filters that allow considering such parameters as scan type (including ultrasound images obtained with different types of transducers), image type and other key characteristics for medical image analysis. This enables system users to efficiently filter, detect and download the necessary images for further use in diagnosis and treatment. The application of this system to real medical images from various medical institutions can make a significant contribution to the digital transformation of the healthcare sector in Ukraine, opening opportunities for the integration of artificial intelligence. The developed system for storing and processing medical images is planned to be implemented in the structure of the state institution - the Institute of Nuclear Medicine and Radiological Diagnostics of the National Academy of Medical Sciences of Ukraine. У контексті охорони здоров'я існує нагальна потреба в оптимізації управління медичними даними, включаючи аспекти зберігання, обробки та обміну медичними зображеннями. Ця потреба стає все більш актуальною у зв'язку з підвищенням вимог до точності діагнозів та ефективності лікувальних процедур, що зумовлює необхідність вдосконалення існуючих систем у цій галузі. Водночас критично важливим стає питання забезпечення безпеки та конфіденційності даних пацієнтів. Впровадження передових технологій, в тому числі штучного інтелекту, має потенціал для значного підвищення точності діагностичних процедур. Метою цього дослідження є створення інноваційної системи для зберігання, обробки та обміну медичними зображеннями з акцентом на підвищення ефективності діагностики та забезпечення належного рівня безпеки даних пацієнтів. Проект включає розробку системи, інтегрованої з різними компонентами CRM-систем, такими як відстеження пацієнтів, планування, медична документація та звітність. Це сприятиме ефективній організації системи охорони здоров'я. Основним функціоналом розробленої системи є галерея для перегляду завантажених медичних зображень. Система оснащена сімома фільтрами, які дозволяють враховувати такі параметри, як тип сканування (включаючи ультразвукові зображення, отримані різними типами датчиків), тип зображення та інші ключові характеристики для аналізу медичних зображень. Це дає можливість користувачам системи ефективно фільтрувати, виявляти та завантажувати необхідні зображення для подальшого використання в діагностиці та лікуванні. Застосування цієї системи до реальних медичних зображень з різних медичних установ може зробити значний внесок у цифрову трансформацію сектору охорони здоров'я в Україні, відкриваючи можливості для інтеграції штучного інтелекту. Розроблену систему зберігання та обробки медичних зображень планується впровадити в структуру державної установи – Інституту ядерної медицини та променевої діагностики НАМН України.
- 1 March 2024
- Published by Igor Sikorsky Kyiv Polytechnic Institute in Біомедична інженерія і технологія
- No. 13,p. 23-32
РОЗРОБКА СИСТЕМИ НАКОПИЧЕННЯ ТА ЗБЕРІГАННЯ МЕДИЧНИХ ЗОБРАЖЕНЬ ЗА ДОПОМОГОЮ SALESFORCE
In the context of healthcare, there is an urgent need to optimize medical data management, including aspects of storage, processing, and exchange of medical images. This need is becoming more urgent because of increasing demands on the accuracy of diagnoses and the effectiveness of treatment procedures, which necessitates the improvement of existing systems in this area. At the same time, the issue of ensuring the security and confidentiality of patient data is becoming critical. The introduction of advanced technologies, including artificial intelligence, has the potential to significantly improve the accuracy of diagnostic procedures. The goal of this research is to create an innovative system for storing, processing, and exchanging medical images, with a focus on improving diagnostic efficiency and ensuring proper security of patient data. The project includes the development of a system integrated with various components of CRM systems, such as patient tracking, scheduling, medical documentation, and reporting. This will contribute to the efficient organization of the healthcare system. The main functionality of the developed system is a gallery for viewing uploaded medical images. The system is equipped with seven filters that allow considering such parameters as scan type (including ultrasound images obtained with different types of transducers), image type and other key characteristics for medical image analysis. This enables system users to efficiently filter, detect and download the necessary images for further use in diagnosis and treatment. The application of this system to real medical images from various medical institutions can make a significant contribution to the digital transformation of the healthcare sector in Ukraine, opening opportunities for the integration of artificial intelligence. The developed system for storing and processing medical images is planned to be implemented in the structure of the state institution - the Institute of Nuclear Medicine and Radiological Diagnostics of the National Academy of Medical Sciences of Ukraine. У контексті охорони здоров'я існує нагальна потреба в оптимізації управління медичними даними, включаючи аспекти зберігання, обробки та обміну медичними зображеннями. Ця потреба стає все більш актуальною у зв'язку з підвищенням вимог до точності діагнозів та ефективності лікувальних процедур, що зумовлює необхідність вдосконалення існуючих систем у цій галузі. Водночас критично важливим стає питання забезпечення безпеки та конфіденційності даних пацієнтів. Впровадження передових технологій, в тому числі штучного інтелекту, має потенціал для значного підвищення точності діагностичних процедур. Метою цього дослідження є створення інноваційної системи для зберігання, обробки та обміну медичними зображеннями з акцентом на підвищення ефективності діагностики та забезпечення належного рівня безпеки даних пацієнтів. Проект включає розробку системи, інтегрованої з різними компонентами CRM-систем, такими як відстеження пацієнтів, планування, медична документація та звітність. Це сприятиме ефективній організації системи охорони здоров'я. Основним функціоналом розробленої системи є галерея для перегляду завантажених медичних зображень. Система оснащена сімома фільтрами, які дозволяють враховувати такі параметри, як тип сканування (включаючи ультразвукові зображення, отримані різними типами датчиків), тип зображення та інші ключові характеристики для аналізу медичних зображень. Це дає можливість користувачам системи ефективно фільтрувати, виявляти та завантажувати необхідні зображення для подальшого використання в діагностиці та лікуванні. Застосування цієї системи до реальних медичних зображень з різних медичних установ може зробити значний внесок у цифрову трансформацію сектору охорони здоров'я в Україні, відкриваючи можливості для інтеграції штучного інтелекту. Розроблену систему зберігання та обробки медичних зображень планується впровадити в структуру державної установи – Інституту ядерної медицини та променевої діагностики НАМН України.
- Open Access
- 28 September 2023
- Published by Igor Sikorsky Kyiv Polytechnic Institute in Біомедична інженерія і технологія
- No. 11,p. 21-30
ОПТИМІЗАЦІЯ РЕЗУЛЬТАТІВ МОДЕЛЮВАННЯ ШЛЯХОМ РОЗБИТТЯ ВИБІРОК ЗА КРИТЕРІЄМ ПОДІБНОСТІ ВІДСТАНІ МАХАЛАНОБІСА
Методи створення класифікаційних, апроксимаційних та прогностичних моделей включають процедури розділення робочого набору даних на технологічні частини, які використовуються для розрахунку параметрів, верифікації структури та завершальної оцінки якості моделей. Саме універсальність застосування даних процедур визначає виняткову актуальність вирішення завдання забезпечення ефективності розділення робочого набору даних на технологічні частини з точки зору якості результатів моделювання. Існуючі підходи до розбиття даних не забезпечують стійкої ефективності при побудові моделей (метод простого випадкового відбору, метод проб і помилок, тощо), або є ефективними, однак обмеженими використанням певних типів набору даних (зручний і систематичний відбори, тощо). В роботі для вирішення проблеми пропонується застосувати процедури розподілу даних на основі критерію подібності відстані Махаланобіса, що забезпечує збереження властивості відхилень об’єктів основної робочої вибірки для всіх технологічних підвибірок в умовах нерівних дисперсій змінних та корельованості простору ознак. Оскільки універсальним і найчастіше застосованим методом розбиття даних в даний час є метод випадкового відбору, у роботі саме з ним порівнюється ефективність пропонованого підходу. Аналіз підходів здійснений на даних для прогнозування рівня смертності від раку в округах США, що взяті з ресурсу data.world, та класифікації серцевої недостатності - з ресурсу Kaggle. Порівняння проведено для методів k-найближчих сусідів, логістичної регресії, методу групового урахування аргументів в завданні класифікації та методів k-найближчих сусідів, екстремального градієнтного підсилення (XGB), підвищення градієнта на основі алгоритму дерева рішень (LGBM) в задачі апроксимації. Результати аналізу показали перевагу пропонованого у роботі підходу розбиття даних відповідно до критерію подібності відстані Махаланобіса.
- 28 September 2023
- Published by Igor Sikorsky Kyiv Polytechnic Institute in Біомедична інженерія і технологія
- No. 11,p. 21-30
Open AccessОПТИМІЗАЦІЯ РЕЗУЛЬТАТІВ МОДЕЛЮВАННЯ ШЛЯХОМ РОЗБИТТЯ ВИБІРОК ЗА КРИТЕРІЄМ ПОДІБНОСТІ ВІДСТАНІ МАХАЛАНОБІСА
Методи створення класифікаційних, апроксимаційних та прогностичних моделей включають процедури розділення робочого набору даних на технологічні частини, які використовуються для розрахунку параметрів, верифікації структури та завершальної оцінки якості моделей. Саме універсальність застосування даних процедур визначає виняткову актуальність вирішення завдання забезпечення ефективності розділення робочого набору даних на технологічні частини з точки зору якості результатів моделювання. Існуючі підходи до розбиття даних не забезпечують стійкої ефективності при побудові моделей (метод простого випадкового відбору, метод проб і помилок, тощо), або є ефективними, однак обмеженими використанням певних типів набору даних (зручний і систематичний відбори, тощо). В роботі для вирішення проблеми пропонується застосувати процедури розподілу даних на основі критерію подібності відстані Махаланобіса, що забезпечує збереження властивості відхилень об’єктів основної робочої вибірки для всіх технологічних підвибірок в умовах нерівних дисперсій змінних та корельованості простору ознак. Оскільки універсальним і найчастіше застосованим методом розбиття даних в даний час є метод випадкового відбору, у роботі саме з ним порівнюється ефективність пропонованого підходу. Аналіз підходів здійснений на даних для прогнозування рівня смертності від раку в округах США, що взяті з ресурсу data.world, та класифікації серцевої недостатності - з ресурсу Kaggle. Порівняння проведено для методів k-найближчих сусідів, логістичної регресії, методу групового урахування аргументів в завданні класифікації та методів k-найближчих сусідів, екстремального градієнтного підсилення (XGB), підвищення градієнта на основі алгоритму дерева рішень (LGBM) в задачі апроксимації. Результати аналізу показали перевагу пропонованого у роботі підходу розбиття даних відповідно до критерію подібності відстані Махаланобіса.
- 1 March 2023
- Published by Springer Nature in Cybernetics and Systems Analysis
- Vol. 59 (2) , 346-358
Classification of Pathologies on Medical Images Using the Algorithm of Random Forest of Optimal-Complexity Trees
- 1 March 2023
- Published by Springer Nature in Cybernetics and Systems Analysis
- Vol. 59 (2) , 346-358
Classification of Pathologies on Medical Images Using the Algorithm of Random Forest of Optimal-Complexity Trees
- Open Access
- 1 January 2023
- Published by National Academy of Sciences of Ukraine (Co. LTD Ukrinformnauka) (Publications) in Control Systems and Computers
- No. 3 (303),p. 24-32
Multiclass Classifier Based on Binary Logistic Regressions Obtained According to the Principles of GMDH
Introduction. The issue of accuracy improvement in classification tasks is always topical, and various approaches have been developed, applied in accordance with the peculiarities of the problem formulation and properties of the feature space. Among the most effective models, classifiers based on multiple logistic regressions have proved themselves. Purpose. The aim of the paper is to develop an algorithm for solving multiclassification problems on the basis of binary logistic models built by the stepwise multiple logistic regression algorithm of the Stepwise type, improved according to the principles of the method of group accounting of arguments. Methods. The paper proposes a modification of the stepwise algorithm for creating binary multivariate logistic regressions Stepwise, where it is proposed to optimize the algorithm parameters in accordance with the principles of the method of group consideration of arguments: significance levels by the logarithmic likelihood ratio test for inclusion and exclusion of model arguments. The choice of optimal parameters is realized in accordance with an external criterion that takes into account the balance of classification accuracy of training and test samples and the balance of class classification accuracy. Subsequently, the binary class models obtained by the one-versus-all principle are combined into a multiclass classifier that returns the answer according to the maximum likelihood of the class. The comparison of classification models obtained by the classical Stepwise algorithm and the one proposed in the robot is carried out on the medical data of the publicly available Internet resource Kaggle. Conclusion. The paper substantiates and demonstrates the advantages of classifiers based on logistic multivariate regressions optimized according to the principles of the method of group consideration of arguments relative to the classical version of the Stepwise algorithm. The effective application of the algorithm in solving multiclass classification problem is shown.
- 1 January 2023
- Published by National Academy of Sciences of Ukraine (Co. LTD Ukrinformnauka) (Publications) in Control Systems and Computers
- No. 3 (303),p. 24-32
Open AccessMulticlass Classifier Based on Binary Logistic Regressions Obtained According to the Principles of GMDH
Introduction. The issue of accuracy improvement in classification tasks is always topical, and various approaches have been developed, applied in accordance with the peculiarities of the problem formulation and properties of the feature space. Among the most effective models, classifiers based on multiple logistic regressions have proved themselves. Purpose. The aim of the paper is to develop an algorithm for solving multiclassification problems on the basis of binary logistic models built by the stepwise multiple logistic regression algorithm of the Stepwise type, improved according to the principles of the method of group accounting of arguments. Methods. The paper proposes a modification of the stepwise algorithm for creating binary multivariate logistic regressions Stepwise, where it is proposed to optimize the algorithm parameters in accordance with the principles of the method of group consideration of arguments: significance levels by the logarithmic likelihood ratio test for inclusion and exclusion of model arguments. The choice of optimal parameters is realized in accordance with an external criterion that takes into account the balance of classification accuracy of training and test samples and the balance of class classification accuracy. Subsequently, the binary class models obtained by the one-versus-all principle are combined into a multiclass classifier that returns the answer according to the maximum likelihood of the class. The comparison of classification models obtained by the classical Stepwise algorithm and the one proposed in the robot is carried out on the medical data of the publicly available Internet resource Kaggle. Conclusion. The paper substantiates and demonstrates the advantages of classifiers based on logistic multivariate regressions optimized according to the principles of the method of group consideration of arguments relative to the classical version of the Stepwise algorithm. The effective application of the algorithm in solving multiclass classification problem is shown.
- 1 January 2022
- Published by Fund Science and Culture Support Centre in Автометрия
- Vol. 58 (3) , 3-11
INVESTIGATION OF THE TEMPERATURE SHIFT OF THE WAVELENGTH OF A SEMICONDUCTOR LASER DIODE IN A DOPPLER ANEMOMETER
Стабильность длины волны лазерного излучения в зависимости от температуры является важной характеристикой лазерного доплеровского анемометра с хроматическим разделением каналов. Выполнены экспериментальные исследования смещения длины волны полупроводникового лазерного диода на 660 нм в зависимости от температуры и мощности лазерного излучения. Установлено, что температурный дрейф длины волны лежит в пределах 0,2 нм/°C. Показано, что применение полупроводниковых диодов данного типа в лазерных доплеровских анемометрах с хроматическим разделением каналов возможно, но требует тщательного подбора оптических...
- 1 January 2022
- Published by Fund Science and Culture Support Centre in Автометрия
- Vol. 58 (3) , 3-11
INVESTIGATION OF THE TEMPERATURE SHIFT OF THE WAVELENGTH OF A SEMICONDUCTOR LASER DIODE IN A DOPPLER ANEMOMETER
Стабильность длины волны лазерного излучения в зависимости от температуры является важной характеристикой лазерного доплеровского анемометра с хроматическим разделением каналов. Выполнены экспериментальные исследования смещения длины волны полупроводникового лазерного диода на 660 нм в зависимости от температуры и мощности лазерного излучения. Установлено, что температурный дрейф длины волны лежит в пределах 0,2 нм/°C. Показано, что применение полупроводниковых диодов данного типа в лазерных доплеровских анемометрах с хроматическим разделением каналов возможно, но требует тщательного подбора оптических...
- 17 November 2021
- Published by Igor Sikorsky Kyiv Polytechnic Institute in Біомедична інженерія і технологія
- No. 6,p. 62-73
КЛАСИФІКАТОР ДИФЕРЕНЦІАЛЬНОЇ ДІАГНОСТИКИ АУТОІМУННОГО ГЕПАТИТУ ТА ХВОРОБИ ВІЛЬСОНА НА ОСНОВІ АНАЛІЗУ УЛЬТРАЗВУКОВИХ ЗОБРАЖЕНЬ ПЕЧІНКИ
Реферат: Проблематика. При інтенсивному моніторингу профілактичного огляду пацієнтів у медичних закладах первинної ланки найбільш зручно по ультразвуковим зображенням діагностувати лише наявність чи відсутність фіброзних змін печінки. Подібний підхід є найбільш ефективним при профілактиці захворювань, при цьому алгоритм класифікації визначає лише наявність патології, а уточнення діагнозу, ступінь ураження вже знайденої патології може визначатися в подальшому у спеціалізованих медичних закладах висококваліфікованим лікарем діагностом. Однак, розробка автоматизованих систем підтримки рішень при диференціації клінічно схожих захворювань завжди є актуальною задачею в медичній практиці. Однією з таких задач є диференціація аутоімунного гепатиту і хвороби Вільсона. Мета. Розробити діагностичний алгоритм класифікації аутоімунного гепатиту і хвороби Вільсона за результатами аналізу ультразвукових зображень печінки. Методика реалізації. Дані для виконання дослідження надано Інститутом ядерної медицини та променевої діагностики НАМН України – 9 знімків УЗД стосуються хворих на аутоімунній гепатит, 20 знімків пацієнтів з хворобою Вільсона. Об’єктами класифікації є області інтересу, що було виділено на ультразвукових зображеннях медичними фахівцями. Для збільшення об’єму навчальної вибірки та підвищення якості системи класифікації застосовано аугментацію одержаних зображень. В результаті для навчання (навчальна вибірка) та верифікації (тестова вибірка) було одержано загалом 600 областей інтересу (150 для аутоімунного гепатиту і 450 для хвороби Вільсона). Виходячі з припущення, що відмінності у характеристиках зображень класів знаходяться у відмінностях їх текстур в роботі розраховані текстурні ознаки на основі частот зустрічаємості патернів бінарного шаблону відтінків сірого. Для побудови класифікатора застовано алгоритм Random Forest. Результати дослідження. Загальна вибірка з 600 областей інтересу була розбита випадковим чином на навчальну (80%) і тестову (20%). Одержано модель класифікатору алгоритмом Random Forest з показниками якості класифікації на навчальній вибірці: точність - 100%, чутливість - 1, специфічність - 1, F-score -1, та на тестовій вибірці: точність 90,8% , чутливість 0.767 , специфічність – 0,956, F-score – 0,873. Висновки. Запропоновано ефективний підхід для вирішення задачі автоматичної диференційної діагностики аутоімунного гепатиту та хвороби Вільсона. На основі текстурних ознак та алгоритму випадкового лісу була отримана високоякісна модель класифікації Ключові слова – диференціальна діагностика, аутоімунний гепатит, хвороба Вільсона, ультразвукова діагностика, аугментація зображень, патерни, локальні бінарні шаблони, Random Forest.
- 17 November 2021
- Published by Igor Sikorsky Kyiv Polytechnic Institute in Біомедична інженерія і технологія
- No. 6,p. 62-73
КЛАСИФІКАТОР ДИФЕРЕНЦІАЛЬНОЇ ДІАГНОСТИКИ АУТОІМУННОГО ГЕПАТИТУ ТА ХВОРОБИ ВІЛЬСОНА НА ОСНОВІ АНАЛІЗУ УЛЬТРАЗВУКОВИХ ЗОБРАЖЕНЬ ПЕЧІНКИ
Реферат: Проблематика. При інтенсивному моніторингу профілактичного огляду пацієнтів у медичних закладах первинної ланки найбільш зручно по ультразвуковим зображенням діагностувати лише наявність чи відсутність фіброзних змін печінки. Подібний підхід є найбільш ефективним при профілактиці захворювань, при цьому алгоритм класифікації визначає лише наявність патології, а уточнення діагнозу, ступінь ураження вже знайденої патології може визначатися в подальшому у спеціалізованих медичних закладах висококваліфікованим лікарем діагностом. Однак, розробка автоматизованих систем підтримки рішень при диференціації клінічно схожих захворювань завжди є актуальною задачею в медичній практиці. Однією з таких задач є диференціація аутоімунного гепатиту і хвороби Вільсона. Мета. Розробити діагностичний алгоритм класифікації аутоімунного гепатиту і хвороби Вільсона за результатами аналізу ультразвукових зображень печінки. Методика реалізації. Дані для виконання дослідження надано Інститутом ядерної медицини та променевої діагностики НАМН України – 9 знімків УЗД стосуються хворих на аутоімунній гепатит, 20 знімків пацієнтів з хворобою Вільсона. Об’єктами класифікації є області інтересу, що було виділено на ультразвукових зображеннях медичними фахівцями. Для збільшення об’єму навчальної вибірки та підвищення якості системи класифікації застосовано аугментацію одержаних зображень. В результаті для навчання (навчальна вибірка) та верифікації (тестова вибірка) було одержано загалом 600 областей інтересу (150 для аутоімунного гепатиту і 450 для хвороби Вільсона). Виходячі з припущення, що відмінності у характеристиках зображень класів знаходяться у відмінностях їх текстур в роботі розраховані текстурні ознаки на основі частот зустрічаємості патернів бінарного шаблону відтінків сірого. Для побудови класифікатора застовано алгоритм Random Forest. Результати дослідження. Загальна вибірка з 600 областей інтересу була розбита випадковим чином на навчальну (80%) і тестову (20%). Одержано модель класифікатору алгоритмом Random Forest з показниками якості класифікації на навчальній вибірці: точність - 100%, чутливість - 1, специфічність - 1, F-score -1, та на тестовій вибірці: точність 90,8% , чутливість 0.767 , специфічність – 0,956, F-score – 0,873. Висновки. Запропоновано ефективний підхід для вирішення задачі автоматичної диференційної діагностики аутоімунного гепатиту та хвороби Вільсона. На основі текстурних ознак та алгоритму випадкового лісу була отримана високоякісна модель класифікації Ключові слова – диференціальна діагностика, аутоімунний гепатит, хвороба Вільсона, ультразвукова діагностика, аугментація зображень, патерни, локальні бінарні шаблони, Random Forest.