HYBRID METHOD OF IMAGE ANALYSIS BASED ON ARTIFICIAL INTELLIGENCE TECHNOLOGIES AND FUZZY SETS

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

The paper deals with the development of a prototype of a hybrid intelligent system for image analysis on the example of the task of diagnosis and staging of diabetic retinopathy – a complication of diabetes mellitus, characterized by damage to the retinal vessels. As a result of chronically elevated blood glucose levels, microcirculation is impaired, leading to the development of microaneurysms, exudation, hemorrhage and, in severe cases, neovascularization. This can lead to visual impairment and, ultimately, to blindness in the absence of timely treatment. Detection and staging of the disease are based on the analysis of photographic images of the ocular fundus (fundus images). An overview of the research topic is given, the basis for the advantages of hybrid intelligent systems in comparison with solutions based on the application of a single technology is presented. The steps of creating a system that combines the joint use of classical methods of computer vision, artificial neural networks, elements of fuzzy logic theory and methods of explainable artificial intelligence are described. With the help of combined architecture of the software solution it was possible to achieve flexibility in the issues of applicability of criteria of disease staging, which indicates the broad prospects of such a solution in the diagnosis of other diseases with logically formalizable criteria.

About the authors

A. N. Averkin

Plekhanov Russian University of Economics

Email: averkin2003@inbox.ru
Moscow, Russia

E. N. Volkov

Plekhanov Russian University of Economics

Email: averkin2003@inbox.ru
Moscow, Russia

S. A. Yarushev

Plekhanov Russian University of Economics

Email: averkin2003@inbox.ru
Moscow, Russia

References

  1. Volkov E.N., Averkin A.N. Explainable Artificial Intelligence in Medical Image Analysis: State of the Art and Prospects // XXVI Intern. Conf. on Soft Computing and Measurements (SCM). IEEE, 2023. P. 134–137. https://doi.org/10.1109/SCM58628.2023.10159033
  2. Averkin A.N., Volkov E.N., Yarushev S.A. Possibilities of application of neuro-fuzzy networks for ophthalmologic image classification // Pattern Recognition Image Analysis. 2024. V. 34. № 3. P. 610–616. https://doi.org/10.1134/S1054661824700421
  3. Averkin A.N., Volkov E.N., Yarushev S.A. Explainable artificial intelligence in deep learning neural nets-based digital images analysis //J. Comp. Systems Sci. Int. 2024. V. 63. № 1. P. 175–203. https://doi.org/10.1134/S1064230724700138
  4. Рыжов А.П. О качестве классификации объектов на основе нечетких правил // Интеллектуальные системы. 2005. Т. 9. С. 253–264.
  5. Krzywicki T., Brona P., Zbrzezny A.B. et al. A global review of publicly available datasets containing fundus images: characteristics, barriers to access, usability, and generalizability //J. Clin. Med. 2023. V. 12. № 10. P. 3587. https://doi.org/10.3390/jcm12103587
  6. Jha D., Smedsrud P.H., Riegler M.A. et al. Resunet++: an advanced architecture for medical image segmentation // IEEE Intern. Sympos. Multimedia (ISM). 2019. P. 225–2255.
  7. Van der Velden B.H.M., Kuijf B.H., Gilhuijs H.J. et al. Explainable artificial intelligence (XAI) in deep learning-based medical image analysis // Med. Image Analysis. 2022. V. 79. P. 102470. https://doi.org/10.1016/j.media.2022.102470
  8. Qian J., Li H., Wang J. et al. Recent advances in explainable artificial intelligence for magnetic resonance imaging // Diagnostics. 2023. V. 13. № 9. P. 1571. https://doi.org/10.3390/diagnostics13091571
  9. Volkov E.N., Averkin A.N. Possibilities of explainable artificial intelligence for glaucoma detection using the LIME method as an example // XXVI Intern. Conf. on Soft Computing and Measurements (SCM). IEEE: Saint-Petersburg, 2023. P. 130–133. https://doi.org/10.1109/SCM58628.2023.10159038
  10. Saeed W., Omlin C. Explainable Ai (Xai): a systematic meta-survey of current challenges and future opportunities // Knowledge-Based Systems. 2023. V. 263. P. 110273. https://doi.org/10.1016/j.knosys.2023.110273
  11. Clement T., Kemmerzell N., Abdelaal M. et al. XAIR: a systematic metareview of explainable AI (XAI) aligned to the software development process // Mach. Lear. Knowledge Extraction. 2023. V. 5. № 1. P. 78–108. https://doi.org/10.3390/make5010006
  12. Selvaraju R.R., Cogswell M., Das A. et al. Grad-cam: visual explanations from deep networks via gradient-based localization // Proc. IEEE Intern. Conf. on Computer Vision. Venice, 2017. P. 618–626.
  13. Zhou B., Khosla A., Lapedriza A. et al. Learning deep features for discriminative localization // Proc. IEEE Conf. on Computer Vision and Pattern Recognition. Las Vegas, 2016. P. 2921–2929.
  14. Cheng B., Girshick R., Dollar P. et al. Boundary IoU: improving object-centric image segmentation evaluation // Proc. IEEE/CVF Conf. on Computer Vision and Pattern Recognition. Nashville, USA. 2021. P. 15334–15342.
  15. Zhao R., Qian B., Zhang X. et al. Rethinking dice loss for medical image segmentation // IEEE Intern. Conf. on Data Mining (ICDM). Sorrento, Italy. IEEE, 2020. P. 851–860. https://doi.org/10.1109/ICDM50108.2020.00094
  16. Hehn T., Kooij J., Gavrila D. Fast and compact image segmentation using instance stixels // IEEE Transactions on Intelligent Vehicles. 2021. V. 7. № 1. P. 45–56. https://doi.org/10.1109/TIV.2021.3067223

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2025 Russian Academy of Sciences

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».