Doctor of Engineering Science, independent researcher
доктор технических наук, независимый исследователь
The subject of the research is dictated by the necessity to develop and utilize highly sensitive quantum, wave technologies, and quantum sensors in data analysis, pattern recognition, automated diagnostics of disease types using modern sensors in the macroworld, medical visualization of human organs [14], presented in the form of images F(x,y) as well as data captured as time series f(t) and images F(x,y) together, using one-dimensional wavelet wave functions of two types a1 and a2, varying within the interval ±π introduced and utilized in this work [2].
Purpose of research: the development of highly efficient algorithms and software packages for joint analysis of interrelated data presented in the form of time series and images obtained by various methods and sensors: X-ray, ultrasound, different types of tomography: computed (CT), magnetic resonance (MRI), positron emission (PET), including methods of photonics, multi-channel electrocardiographs (ECG) and electroencephalographs (EEG), radiothermographs, and other multi-channel devices used in functional diagnostics, image recognition, diagnosis of disease types in human organs in medicine, and much more, displayed by modern sensors based on quantum technologies [11–13] using wave functions of 2 types, – changes in frequency and temporal (spatial) components of observation data by phase, respectively, – a1 and a2 waves, extracted from «quanta of information» f(x) and F(x,y) [1], reflecting the states of human organs in the corresponding.
Research methods: a) transformation of «quanta of information» f(x) and images F(x,y) of sets of studied objects into two types of wave functions: phase-frequency a1=φ(a,b̅) and phase-time (spatial) a2=-φ(a̅,b) characteristics [1; 6], calculated through sequences of single-level discrete two-dimensional wavelet transformation dwt2, – separating the video image F(x,y) into matrices of details [4; 6]: approximations (cA), horizontals (cH), verticals (cV), diagonals (cD) for each of the colors (red (R), green (G), blue (B)), if the image is colored, functions of one-dimensional continuous wavelet transformation cwt(f(t),1:k,'cgau5') and multi-channel averaging operations of wavelet coefficient φ(a,b) matrices from the outputs of wavelet transformations cwt of video image F(x,y) details by columns and rows, i.e. performing operations a1=φ(a,b̅) and a2=-φ(ɑ̅,b); b) selection on the constructed images in Surfer of wavelet coefficients φ(a,b) of variable f(t) multi-frequency sawtooth wave functions of type a2 of 4 types of details AHVD, used for diagnosing types of diseases; c) statistical analysis of the correlations of wave functions of types a1 or a2 of the diagnosed disease with similar characteristics of sets of diseases in known types of organ diseases.
Objects of research: time series f(t) and images F(x,y) of the examined, particularly video images of the eye's fundus for diagnosed types of eye diseases, multichannel phase-frequency a1=φ(a,b̅) and phase-spatial a2=-φ(a̅,b) characteristics – wave functions of the original data and calculated using wavelet transforms dwt2 and cwt and matrix averaging φ(a,b) operations across rows and columns.
Research findings: a) the possibility of transforming «quanta of information»: time series f(t) used in medicine, video images F(x,y) in particular, of eye diseases, into two types of wave functions a1 and a2 using wavelet transformations, corresponding to the corpuscular-wave nature of the micro and macro world has been implemented; b) the possibility of automated diagnosis of types of eye diseases using correlations of the computed wave functions of types a1 and a2 of the diagnosed disease with the wave functions a1 and a2 of the sets of diseases in known types of diseases has been realized; c) it is shown that when correlating the wave functions of a diagnosed disease of a certain type with the wave functions of sets of known disease types, the average values in the columns of the correlation matrix have different values; in the column of correlations for diseases of the same type, the mean value is maximal, while the standard deviation std is not always minimal, depending on the composition of the images in the types, which is an indication of detecting the disease type in the correlation matrix; d) correlational links have been established between types of diseases in the diagnosis of disease types using wavelet functions a1 and a2, characterizing the strength of the links between types of diseases caused by the commonality of properties of the structural tissues of the visual organ, where types of eye diseases develop, as well as the origin of diseases; (e) a reliable method has been found for localizing the type of diagnosed disease in the correlation matrix of characteristics a1 or a2 of the disease with the characteristics of sets of images of diseases in known types of diseases, based on the correlation of the characteristics of the diagnosed disease and the characteristics of the image provided by the researcher, the types of diseases of which match, with the characteristics of sets of diseases in known types of diseases; (f) a reliable method has been found to separate types of diseases with a probability p>0,95 based on maximizing the observed value ttest of the criterion when testing the hypothesis of equality of means of two populations by eliminating the correlation coefficients in two parts of the column; (g) the requirements for the formation of sets of input data, «quanta of information» have been established to obtain reliable diagnoses of disease types; these include: increasing the capacities of input data sets in disease types; increasing the detail in observations, including increasing the orders of calculated a1 and a2 waves in wavelet transformations.
Предмет исследований обусловлен необходимостью разработки и использования высокочувствительных квантовых, волновых технологий, квантовых сенсоров в анализе данных, распознавании образов, автоматизированной диагностике типов болезней с использованием современных датчиков в макромире, медицинской визуализации органов человека [14], представленных в виде изображений F(x,y), а также данных, снимаемых в виде временных рядов f(t) и изображений F(x,y) совместно, с использованием одномерных вейвлетных волновых функций двух типов a1 и a2, изменяющихся в интервале ±π, введенных и использованных в работе [2].
Цель исследования: разработка высокоэффективных алгоритмов и пакета программ для совместного анализа взаимообусловленных данных, представленных в виде временных рядов f(t) и изображений F(x,y), получаемых разными методами и датчиками: рентгеновских, ультразвуковых, разных видов томографии: компьютерной (КТ), магнитно-резонансной (МРТ), позитронно-эмиссионной (ПЭТ), в том числе и методами фотоники, многоканальных электрокардиографов (ЭКГ) и электроэнцелографов (ЭЭГ), радиотермографов и других многоканальных приборов, используемых в функциональной диагностике, распознавании образов, диагностике типов болезней органов человека в медицине и других областях, отображаемых современными датчиками на основе квантовых технологий [11–13] с использованием волновых функций 2-х типов: изменений частотных и временных (пространственных) составляющих данных наблюдений по фазе – соответственно a1- и a2-волн, извлекаемых из «квантов информации» f(t) и F(x,y)[1], отражающих состояние органов человека в соответствующих наблюдениях.
Методы исследования: а) преобразование «квантов информации» f(t) и F(x,y), образов множеств исследуемых объектов в два вида волновых функций: фазо-частотные a1- и фазо-временные (пространственные) a2-характеристики [2; 7], вычисляемые путем последовательностей одноуровневого дискретного двумерного вейвлет-преобразования dwt2, – разделения видеообраза F(x,y) на матрицы деталей [4; 6]: аппроксимации (сA), горизонтали (сH), вертикали (cV), диагонали (cD) для каждого из цветов (красный (R), зеленый (G), синий (B)), если изображение цветное, функции одномерного непрерывного вейвлет-преобразования cwt(f(t),1:k,'cgau5') и многоканальные усредняющие операции матриц вейвлет-коэффициентов φ(a,b),выходов вейвлет-преобразований cwt деталей видеообразов по столбцам и строкам, т. е. выполнение операций a1=φ(a,b̅ ) и a2=-φ(ɑ̅ ,b); б) отбор на построенных в Surfer изображениях вейвлет-коэффициентов φ(a,b) переменных f(t) разночастотных пилообразных волновых функций типа a2 4-х типов деталей AHVD, используемых для диагностики типов болезней; в) статистический анализ корреляций волновых функций типов a1 или a2 диагностируемой болезни с аналогичными характеристиками множеств болезней в известных типах болезней органа.
Объекты исследования: временные ряды f(t) и изображения F(x,y) исследуемых, в частности видеообразы дна глаза, диагностируемых типов болезней глаза, многоканальные фазо-частотные a1=φ(a,b̅ )и фазо-пространственные a2=-φ(a̅ ,b) характеристики, волновые функции исходных данных f(t) и F(x,y), вычисляемых применением вейвлет-преобразований dwt2 и cwt и операций усреднений матрицы φ(a,b) по строкам и столбцам.
Основные результаты исследования: а) реализована возможность преобразования «квантов информации»: временных рядов f(t), используемых в медицине видеообразов F(x,y), в частности болезней глаза, в два вида волновых функций a1 и a2 с использованием вейвлет-преобразований, соответствующих корпускулярно-волновой природе микро- и макромира; б) реализована возможность автоматизированной диагностики типов глазных болезней с использованием корреляций вычисленных волновых функций типов a1 и a2 диагностируемой болезни с волновыми функциями a1 и a2 множеств известных типов болезней; в) показано, что при коррелировании волновых функций диагностируемой болезни определенного типа с волновыми функциями множеств известных типов болезней средние значения в столбиках матрицы корреляций имеют разные значения; в столбике корреляций однотипных болезней среднее значение mean максимальное, стандартное отклонение std не всегда минимальное, зависящее от составов изображений в типах, что является признаком обнаружения типа болезни в матрице корреляций; г) установлены корреляционные связи между типами болезней при диагностике типов болезней с использованием вейвлетных волновых функций a1 и a2, характеризующие силы связей между типами болезней, обусловленных общностью свойств структур тканей органа зрения, на которых развиваются типы болезней глаза, а также происхождением болезней; д) найден надежный способ локализации типа диагностируемой болезни в матрице корреляций характеристик a1 или a2 болезни с характеристиками множеств известных типов болезней, основанный на корреляции характеристик диагностируемой болезни и характеристик задаваемого исследователем изображения, типы болезней которых совпадают с характеристиками множеств известных типов болезней; е) найден надежный способ разделения типов болезней с вероятностью p>0,95, основанный на максимизации наблюдаемого значения tнабл критерия при проверке гипотезы о равенстве средних двух совокупностей путем элиминаций коэффициентов корреляций в двух частях столбика корреляций двух типов болезней; ж) установлены требования к формированию множеств исходных данных, «квантов информации», позволяющих получить надежные диагностики типов болезней; таковыми являются: увеличение мощностей множеств исходных данных в типах болезней; увеличение детальности в наблюдениях, в том числе и увеличение порядков вычисляемых a1- и a2-волн в вейвлет-преобразованиях.