Вестник КРАУНЦ. Физ.-мат. науки. 2019. Т. 26. № 1. C. 78-93. DOI: 10.26117/2079-6641-2019-26-1-78-93

Содержание

DOI: 10.26117/2079-6641-2019-26-1-78-93

MSC 76W05, 86A25

CHOOSING THE MODEL OF BIOLOGICAL NEURAL NETWORK FOR IMAGE SEGMENTATION OF A BIO-LIQUID FACIE 

M. E. Semenov12, T.Yu. Zablotskaya34

1Federal Research Center «Geophysical Survey of the Russian Academy of Sciences 249035, Obninsk, Lenina av. 189, Russia
2Zhukovsky-Gagarin Air Force Academy, 394064, Voronezh, Starykh Bolshevikov Str. 54A, Russia
3A. A. Ugarov Technological Institute of National University of Science and Technology «MISIS»(Stary Oskol branch), 309516, Stary Oskol, Mikrorayon Makarenko 42, Russia
4Voronezh Institute of Law and Economics (Stary Oskol branch), 309514, Stary Oskol, Lenina Str. 59, Russia
E-mail: TZablotskaya@vilec.ru

In the paper, the biological neural network models are analyzed with a purpose to solve the problems of segmentation and pattern recognition when applied to the bio-liquid facies obtained by the cuneiform dehydration method. The peculiarities of the facies’ patterns and the key steps of their digital processing are specified in the frame of the pattern recognition. Feasibility of neural network techniques for the different image data level digital processing is reviewed as well as for image segmentation. The real-life biological neural network architecture concept is described using the mechanisms of the electrical input-output membrane voltage and both induced and endogenic (spontaneous) activities of the neural clusters when spiking. The mechanism of spike initiation is described for metabotropic and ionotropic receptive clusters with the nature of environmental exciting impact specified. Also, the mathematical models of biological neural networks that comprise ot only functional nonlinearities but the hysteretic ones are analyzed and the reasons are given for preference of the mathematical model with delay differential equations is chosen providing its applicability for modeling a single neuron and neural network as well.

Keywords: biological neural network, hysteresis, facie, texture, image recognition.

© Semenov M. E., Zablotskaya T.Yu., 2019

This work was supported by the RFBR (Grants 19-08-00158-a, 17-01-00251-a, 18-08-00053)

УДК 004.93

ВЫБОР МОДЕЛИ БИОЛОГИЧЕСКОЙ НЕЙРОННОЙ СЕТИ ДЛЯ СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЯ БИОЖИДКОСТНОЙ ПОВЕРХНОСТИ

М. Е. Семенов12, Т.Ю. Заблоцкая34

1Федеральный научный центр «Геофизическая служба Российской академии наук», 249035, Обниск, проспект Ленина, 189, Россия
2Военно-воздушная академия имени Жуковского-Гагарина, 394064, г. Воронеж, ул. Старых Большевиков. 54А, Россия
3А. А. Угарова (филиал) Технологического института Национального научно- технического университета «МИСиС»(Старооскольский филиал), 309516, Старый Оскол, Микрорайон Макаренко 42, Россия
4Воронежский юридический и экономический институт (Старооскольский филиал), 309514, Старый Оскол, ул. Ленина 59, Россия
E-mail: TZablotskaya@vilec.ru

В работе рассматривается применение моделей биологической нейронной сети для сегментации изображения фации биожидкости, полученной методом клиновидной дегидратации. Выделены основные характерные особенности, присущие паттернам фаций биожидкостей, а также основные этапы их цифровой обработки в рамках задачи распознавания образов. Проведен анализ использования искусственных нейронных сетей для цифровой обработки изображений для разных уровней представления данных; сделан обзор основных нейросетевых методов сегментации. Описан принцип построения биологически достоверных искусственных нейронных сетей, использующих механизмы изменения мембранного потенциала нейронов и учитывающих при генерации спайка как вызванную активность, так и эндогенную (спонтанную) активность нейронных кластеров. Описан механизм инициации спайка для метаботропных и ионотропных рецептивных кластеров с указанием природы запускающего внешнего воздействия. Проведен анализ существующих математических моделей биологических нейросетей, содержащих помимо обычных функциональных нелинейностей нелинейности гистерезисной природы. Сделан выбор в пользу математической модели, использующей дифференциальные уравнения с запаздыванием, которые могут быть применены как для описания отдельного биологического нейрона, так и для описания работы нейронной сети.

Ключевые слова: биологическая нейронная сеть, гистерезис, фация, текстура, распознавание образов.

© Семенов М. Е., Заблоцкая Т. Ю., 2019

Работа выполнена при поддержке РФФИ (Гранты 19-08-00158-а, 17-01-00251-а, 18-08-00053)

Список литературы/References

  1. Vorob’ev A.V., Martusevich A. K., Peretyagin S. P., Kristallogenez biologicheskih zhidkostej i substratov v ocenke sostoyaniya organizma [Crystallogenesis of biological fluids and substrates in the assessment of the state of the body], FGU ’NNIITO Rosmedtekhnologij’, Nizhnij Novgorod, 2008 (in Russia), 384 pp.
  2. Rapis E. G., Belok i zhizn’ (samosborka i simmetriya nanostruktur belka)[Protein and life (self-assembly and symmetry of protein nanostructures)], ZL. Milta-PKPTIT., Ierusalim, Moscow, 2002 (in Russia), 257 pp.
  3. Markevich V. Eh., Kirilenko E. A., Petrashenko V. A. , Zablotskaya T.Yu., Bilokon’ M. A., “Metody klinovidnoj degidratacii biologicheskih zhidkostej [Methods wedge dehydration of biological fluids]”, Morphologia, 8:1 (2014), 113–117 (in Russia)
  4. Zablotskaya T.Yu., “Analiz osnovnyh processov i tipov struktur pri degidratacii biologicheskih zhidkostej [Analiz osnovnyh processov i tipov struktur pri degidratacii biologicheskih zhidkostej]”, Elektromekhanichnie i energozberegayuchie sistemi, 12:4 (2010), 92-95 (in Russia).
  5. Egmont-Petersen M., de Ridderb D., Handels H., “Image processing with neural networks — a review”, Pattern Recognition, 2002, №35, 2279–2301.
  6. Wang L., Zhang K., Liu X., Long E., Jiang J., An Y., Zhang J., Liu Z., Lin Z., Li X., Chen J., Cao Q., Li J., Wu X., Wang D., Li W., Lin H., “Comparative analysis of image classification methods for automatic diagnosis of ophthalmic images”, Sci. Rep., 2017, №7, 41545.
  7. Sridevi M., Mala C., “A Survey on Monochrome Image Segmentation Methods”, Procedia Technology, 2012, №6, 548–555.
  8. Foster B., Bagci U., Mansoor A., Xu Z., Mollura D. J., “A review on segmentation of positron emission tomography images”, Computers in Biology and Medicine, 50 (2014), 76–96.
  9. Schmidhuber J., “Deep learning in neural networks: An overview”, Neural Networks, 2015, №61, 85–117.
  10.  Shen D., Wu G., Suk H., “Deep Learning in Medical Image Analysis”, Annu Rev Biomed Eng., 2017, №19, 221–248 http://dx.doi.org/10.1146/annurev-bioeng-071516-044442.
  11. Moeskops P, Viergever M. A., Mendrik A. M., de Vries L. S., Benders MJNL, Isgum I., “Automatic segmentation of MR brain images with a convolutional neural network”, IEEE Transactions on Medical Imaging, 2016, №35, 1252–1261.
  12. Donskikh A. O., Minakov D. A., Sirota A. A., “Optical methods of identifying the varieties of the components of grain mixtures based on using artificial neural networks for data analysis”, Journal of Theoretical and Applied Information Technology, 96:2 (2018), 534–542.
  13. Solov’yov A. M., Semyonov M. E.“Iskusstvennaya nejronnaya set’ s gisterezisnoj funkciej aktivacii: stabilizaciya neustojchivyh ob’ektov [Artificial neural network with hysteresis activation function: stabilization of unstable objects]”, Teoriya i tekhnika radiosvyazi, 2016, №3, 11–19 (in Russia).
  14. Semenov M. E., Abbas Z. H., Ishchuk I. N., Kanishcheva O. I., Meleshenko P. A., “Statefeedback Control Principles for Inverted Pendulum with Hysteresis in Suspension”, Journal of Siberian Federal University. Mathematics & Physics, 2016, №9(4), 498–509.
  15. Radchenko A. N., “Informacionnyj klyuch k pamyati mozga [Information key to brain memory]”, Trudy SPIIRAN, 3:2 (2006), 269–286 (in Russia).
  16. Hodgkin A. L., Huxley A. F., “A quantitative description of membrane current and its application to conduction and excitation in nerve”, J. Physiol., 117:4 (1952), 500–544.
  17. Galvani A., Volta A., Izbrannye raboty o zhivotnom ehlektrichestve [Selected works on animal electricity], Biomedgiz, Moscow, 1937 (in Russia), 436 pp.
  18. Redozubov A., “Holographic Memory: A Novel Model of Information Processing by Neuronal Microcircuits”, The Physics of the Mind and Brain Disorders: Springer Series in Cognitive and Neural Systems. V. 11, Springer International Publishing, Switzerland, 2017, 271-295 https://doi.org/10.1007/978-3-319-29674-6_13.
  19. Kashchenko S.A., Majorov V.V., Modeli volnovoj pamyati [Wave Memory Models], URSS, Moscow, 2009 (in Russia), 288 pp.
  20. Grachikov D.V., Semenov M. E., Kanishcheva O. I., “Segmentaciya monohromnyh izobrazhenij s ispol’zovaniem biologicheskoj nejronnoj seti gisterezisnoj prirody [Segmentation of monochrome images using a hysteresis biological neural network]”, Informatizaciya processov formirovaniya otkrytyh sistem na osnove SUBD, SAPR, ASNI i sistem iskusstvennogo intellekta, Materialy 7-j Mezhd. nauchn.-tekhn. konf., VoGTU, Vologda, 2013, 54-57 (in Russia).
  21. Solovyov A. M., Semenov M. E., Meleshenko P. A., Reshetova O. O., Popov M. A., Kabulova E. G., “Hysteretic nonlinearity and unbounded solutions in oscillating systems”, Procedia Engineering, 2017, №201, 578-583.
  22. Semenov M. E., Solovyov A. M., Meleshenko P. A., Balthazar J. M., “Nonlinear Damping: From Viscous to Hysteretic Dampers”, Recent Trends in Applied Nonlinear Mechanics and Physics. V. 199, Springer Proceedings in Physics, Cham, 2018 http://dx.doi.org/10.1007/978-3-319-63937-6_15.
  23. Charalampakis A. E., The response and dissipated energy of Bouc-Wen hysteretic model revisited. Arch Appl Mech., Springer-Verlag, Berlin Heidelberg, 2014 http://dx.doi.org/10.1007/s00419-014-0937-8.

Список литературы (ГОСТ)

  1. Vorob’ev A.V., Martusevich A. K., Peretyagin S. P. Kristallogenez biologicheskih zhidkostej i substratov v ocenke sostoyaniya organizma. Nizhnij Novgorod: FGU ’NNIITO Rosmedtekhnologij’, 2008. 384 p.
  2. Rapis E. G. Belok i zhizn’ (samosborka i simmetriya nanostruktur belka), Ierusalim, Moscow: ZL. Milta-PKPTIT., 2002. 257 p.
  3. Markevich V. Eh., Kirilenko E. A., Petrashenko V. A. , Zablotskaya T.Yu., Bilokon’ M. A. Metody klinovidnoj degidratacii biologicheskih zhidkostej // Morphologia. 2014. vol. 8. no. 1. pp. 113–117.
  4. Zablotskaya T.Yu. Analiz osnovnyh processov i tipov struktur pri degidratacii biologicheskih zhidkostej // Elektromekhanichnie i energozberegayuchie sistemi. 2010. vol. 12. no 4. pp. 92-95.
  5. Egmont-Petersen M., de Ridderb D., Handels H. Image processing with neural networks -a review // Pattern Recognition. 2002. no. 35. pp. 2279–2301.
  6. Wang L., Zhang K., Liu X., Long E., Jiang J., An Y., Zhang J., Liu Z., Lin Z., Li X., Chen J., Cao Q., Li J., Wu X., Wang D., Li W., Lin H. Comparative analysis of image classification methods for automatic diagnosis of ophthalmic images // Sci. Rep. 2017. no. 7. 41545.
  7. Sridevi M., Mala C. A Survey on Monochrome Image Segmentation Methods // Procedia Technology. 2012. no. 6. pp. 548–555.
  8. Foster B., Bagci U., Mansoor A., Xu Z., Mollura D. J. A review on segmentation of positron emission tomography images // Computers in Biology and Medicine. 2014. vol. 50. pp. 76–96.
  9. Schmidhuber J. Deep learning in neural networks: An overview // Neural Networks. 2015. no. 61. pp. 85–117.
  10. Shen D., Wu G., Suk H. Deep Learning in Medical Image Analysis // Annu Rev Biomed Eng. 2017. no. 19. pp. 221–248, http://dx.doi.org/10.1146/annurev-bioeng-071516-044442
  11. Moeskops P, Viergever M. A., Mendrik A. M., de Vries L. S., Benders MJNL, Isgum I. Automatic segmentation of MR brain images with a convolutional neural network // IEEE Transactions on Medical Imaging. 2016. no. 35. pp. 1252–1261.
  12. Donskikh A. O., Minakov D. A., Sirota A. A. Optical methods of identifying the varieties of the components of grain mixtures based on using artificial neural networks for data analysis // Journal of Theoretical and Applied Information Technology. 2018. vol. 96. no. 2. pp. 534–542.
  13. Solov’yov A. M., Semyonov M. E. Iskusstvennaya nejronnaya set’ s gisterezisnoj funkciej aktivacii: stabilizaciya neustojchivyh ob’ektov // Teoriya i tekhnika radiosvyazi. 2016. no. 3. pp. 11–19.
  14. Semenov M. E., Abbas Z. H., Ishchuk I. N., Kanishcheva O. I., Meleshenko P. A. Statefeedback Control Principles for Inverted Pendulum with Hysteresis in Suspension // Journal of Siberian Federal University. Mathematics & Physics. 2016. no. 9(4). pp. 498–509.
  15. Radchenko A. N. Informacionnyj klyuch k pamyati mozga // Trudy SPIIRAN. 2006. vol. 3. no. 2. pp. 269–286.
  16. Hodgkin A. L., Huxley A. F. A quantitative description of membrane current and its application to conduction and excitation in nerve // J. Physiol. 1952. vol. 117. no. 4. pp. 500–544.
  17. Galvani A., Volta A. Izbrannye raboty o zhivotnom ehlektrichestve. Moscow: Biomedgiz, 1937. 436 p.
  18. Redozubov A. Holographic Memory: A Novel Model of Information Processing by Neuronal Microcircuits, The Physics of the Mind and Brain Disorders: Springer Series in Cognitive and Neural Systems. vol. 11. Switzerland: Springer International Publishing, 2017. pp. 271-295. https://doi.org/10.1007/978-3-319-29674-6_13
  19. Kashchenko S.A., Majorov V.V. Modeli volnovoj pamyati. Moscow: URSS, 2009. 288 p.
  20. Grachikov D.V., Semenov M. E., Kanishcheva O. I. Segmentaciya monohromnyh izobrazhenij s ispol’zovaniem biologicheskoj nejronnoj seti gisterezisnoj prirody // Informatizaciya processov formirovaniya otkrytyh sistem na osnove SUBD, SAPR, ASNI i sistem iskusstvennogo intellekta: Materialy 7-j Mezhd. nauchn.-tekhn. konf. Vologda: VoGTU, 2013. pp. 54-57.
  21. Solovyov A. M., Semenov M. E., Meleshenko P. A., Reshetova O. O., Popov M. A., Kabulova E. G. Hysteretic nonlinearity and unbounded solutions in oscillating systems // Procedia Engineering. 2017. no. 201. pp. 578-583.
  22. Semenov M.E., Solovyov A.M., Meleshenko P.A., Balthazar J.M. Nonlinear Damping: From Viscous to Hysteretic Dampers. Recent Trends in Applied Nonlinear Mechanics and Physics. vol. 199. Cham: Springer Proceedings in Physics, 2018. http://dx.doi.org/10.1007/978-3-319-63937-6_15
  23. Charalampakis A. E. The response and dissipated energy of Bouc-Wen hysteretic model revisited. Arch Appl Mech. Berlin Heidelberg: Springer-Verlag, 2014. http://dx.doi.org/10.1007/s00419-014-0937-8

Для цитирования: Semenov M. E., Zablotskaya T.Yu. Choosing the model of biological neural network for image segmentation of a bio-liquid facie // Вестник КРАУНЦ. Физ.-мат. науки. 2019. Т. 26. № 1. C. 78-95. DOI: 10.26117/2079-6641-2019-26-1-78-95
For citation: Semenov M. E., Zablotskaya T.Yu. Choosing the model of biological neural network for image segmentation of a bio-liquid facie, Vestnik KRAUNC. Fiz.-mat. nauki. 2019, 26: 1, 78-95. DOI: 10.26117/2079-6641-2019-26-1-78-95

Поступила в редакцию / Original article submitted: 22.02.2019


   СеменовSemenov Михаил Евгеньевич – доктор физико-математических наук, Федеральный исследовательский центр «Единая геофизическая служба Российской академии наук»
(ФИЦ ЕГС РАН), Военный учебно-научный центр Военно-воздушных сил «Военно-воздушная академия имени профессора Н.Е. Жуковского и Ю.А. Гагарина»
  Semenov Mihail Еvgen’evich – Dr. Sci. (Phys.& Math.), Professor, Federal Research Center “Geophysical Survey of the Russian Academy of Sciences”, Zhukovsky–Gagarin Air Force Academy.

1

1


                  

 ЗаблоцкаZablя Татьяна Юрьевна – аспирант кафедры автоматизированных и информационных систем управления, Старооскольский технологический институт им. А.А. Угарова (филиал) НИТУ «МИСиС», старший преподаватель филиала АНОО ВО «Воронежский экономико-правовой институт» в г. Старый Оскол. 
Zablotskaya Tatiana Yur’evna – graduate student of Automated and Information Control Systems Dep., A. А. Ugarov Technological Institute of National University of Science and Technology «MISIS» (Stary Oskol branch), senior lecture of Voronezh Institute of Law and Economics (Stary Oskol branch).

1


Скачать статью/Download article   Semenov M.E., Zablotskaya T.Yu.

Количество загрузок/Downloads Счётчик скачиваний. Показано число загрузок этого файла за 30 дней, для получения более подробной статистики кликните на счётчике