INTELLIGENT SYSTEM OF DIAGNOSTICS OF THYROID GLAND PATHOLOGY

Authors

  • O. I. Chumachenko Національний технічний університет України «Київський політехнічний інститут ім. Ігоря Сікорського»
  • A. T. Kot Національний технічний університет України «Київський політехнічний інститут ім. Ігоря Сікорського»
  • О. O. Voitiuk Національний технічний університет України «Київський політехнічний інститут ім. Ігоря Сікорського»

DOI:

https://doi.org/10.18372/1990-5548.57.13228

Keywords:

Thyroid pathology diagnostics intelligent system, fuzzy neural networks, convolution neural networks.

Abstract

It is considered a principle of thyroid pathology diagnostics intelligent system structure. It is determined basic ultrasound images features for patients with thyroid cancers. The block diagram of intellectual diagnostics is proposed. It includes two basic subsystems: making decision support and image processing. As a classifier it is used fuzzy neural networks (NEFCLASS) due to its synergy capabilities: rule-based representation and generalization possibilities. As a activation function of rule neuron (to calculate of activation of rules on the basis of membership functions) the T-norm is used. It is used convolution neural networks for ultrasound images processing.

Author Biographies

O. I. Chumachenko, Національний технічний університет України «Київський політехнічний інститут ім. Ігоря Сікорського»

Кафедра технічної кібернетики

Кандидат технічних наук. Доцент

A. T. Kot, Національний технічний університет України «Київський політехнічний інститут ім. Ігоря Сікорського»

Кафедра технічної кібернетики

Аспірант

О. O. Voitiuk, Національний технічний університет України «Київський політехнічний інститут ім. Ігоря Сікорського»

Кафедра технічної кібернетики

Студент

References

G. E. Hinton and Vinod Nair, Rectrified Linear Units Improve Restricted Boltzmann Machines. 2011, pp. 56–66.

G. E. Hinton and R. R. Salakhutdinov, “Reducing the dimensionality of data with neural networks,” Science, vol. 313, no. 5786, pp. 504–507, 28 July 2006.

G. E. Hinton, A practical guide to training restricted Boltzmann machines. (Tech. Rep. 2010-000). Toronto: Machine Learning Group, University of Toronto. 2010, pp. 160–169.

V. Katkovnik, A. Foi, K. Dabov, and K. Egiazarian, “Spatially adaptive support as a leading model selection tool for image filtering,” Proc. First Workshop Inf. Th. Methods Sci. Eng., WITMSE, Tampere, August 2008, pp. 365–457.

R. Gonsales and R. Woods, Digital image processing, Moscow: Technosphera, 2005, 635 p.

V. M. Sineglazov, E. I. Chumachenko, and V. S. Gorbatuk, Intellectual prediction methods, Kyiv: Osvita Ukraine, 2013, 236 p.

V. A. Soyfera, Methods of computer image processing, ed. V. A. Soyfera. Moscow: Fizmatlit, 2003, 698 p.

Downloads

How to Cite

Chumachenko, O. I., Kot, A. T., & Voitiuk О. O. (2018). INTELLIGENT SYSTEM OF DIAGNOSTICS OF THYROID GLAND PATHOLOGY. Electronics and Control Systems, 3(57), 24–29. https://doi.org/10.18372/1990-5548.57.13228

Issue

Vol. 3 No. 57 (2018)

Section

THEORY AND METHODS OF SIGNAL PROCESSING

License

The scientific journal “Electronics and control systems” adheres to the principles of Open Access and provides free, immediate, and permanent access to all published materials without financial, technical, or legal barriers for readers.

All articles are published in Open Access under the Creative Commons Attribution 4.0 International (CC BY 4.0) license.

Copyright

Authors who publish their works in the journal “Electronics and control systems”:

  • retain the copyright to their publications;

  • grant the journal the right of first publication of the article;

  • agree to the distribution of their materials under the CC BY 4.0 license;

  • have the right to reuse, archive, and distribute their works (including in institutional and subject repositories), provided that proper reference is made to the original publication in the journal.