Аналіз використання нейронних мереж для діагностики раку шийки матки по мультиспектральному зображенню
The problem of cervical cancer diagnosis using neural networks from multisensor imagery is investigated. The radial basis function networks and error backpropagation networks are used for the diagnosis. The results of experiments are presented.
Gespeichert in:
| Datum: | 2010 |
|---|---|
| 1. Verfasser: | |
| Format: | Artikel |
| Sprache: | Russisch |
| Veröffentlicht: |
The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"
2010
|
| Online Zugang: | https://journal.iasa.kpi.ua/article/view/106964 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | System research and information technologies |
| Завантажити файл: |  |
Institution
System research and information technologies| _version_ | 1867334295610195968 |
|---|---|
| author | Malyshevska, Kateryna M. |
| author_facet | Malyshevska, Kateryna M. |
| author_institution_txt_mv | [
{
"author": "Kateryna M. Malyshevska",
"institution": null
}
] |
| author_sort | Malyshevska, Kateryna M. |
| baseUrl_str | http://journal.iasa.kpi.ua/oai |
| collection | OJS |
| datestamp_date | 2018-04-06T12:29:48Z |
| description | The problem of cervical cancer diagnosis using neural networks from multisensor imagery is investigated. The radial basis function networks and error backpropagation networks are used for the diagnosis. The results of experiments are presented. |
| first_indexed | 2025-07-17T10:21:57Z |
| format | Article |
| fulltext |
© Е.Н. Малышевская, 2010
64 ISSN 1681–6048 System Research & Information Technologies, 2010, № 2
УДК 004.93 (015.7)
АНАЛИЗ ИСПОЛЬЗОВАНИЯ НЕЙРОСЕТЕЙ
ДЛЯ ДИАГНОСТИКИ РАКА ШЕЙКИ МАТКИ
ПО МУЛЬТИСПЕКТРАЛЬНОМУ ИЗОБРАЖЕНИЮ
Е.Н. МАЛЫШЕВСКАЯ
Рассмотрена проблема диагностики рака шейки матки с помощью нейронных
сетей по мультиспектральному изображению. Для диагностики использованы
нейронные сети с обратным распространением ошибки и сети с радиальным
базисом. Приведены результаты экспериментальных исследований.
ВВЕДЕНИЕ
В данной работе рассматрена возможность диагностики рака шейки матки.
Такая задача продиктована необходимостью ранней диагностики заболева-
ния используя компьютерную систему, которая поможет врачу определить
области с большим риском возникновения раковой трансформации ткани.
Данная система базируется на утверждении, что оптические свойства здоро-
вой клетки отличаются от свойств больной и это отличие более выражено,
чем отличие клеток разных людей. В медицинском университете Аризоны
(США) была внедрена оптическая система, в которой кроме обычного коль-
поскопического тестирования проводилось снятие мультиспектральных
электронных изображений тканей шейки матки. Были сделаны мультиспек-
тральные снимки 108 пациенткам. Параллельно, те же самые пациентки
прошли осмотр у врача, который состоял в том, что была сделана биопсия
из определенных участков и отослана врачу-патологу на анализ. Участки, из
которых была сделана биопсия, были обозначены на снимке и результаты
биопсии были сопоставлены с указанными участками. Эта информация ис-
пользовалась для создания алгоритма распознавания зон риска заболевания
на основе сопоставления мультиспектрального снимка, результатов биопсии
и вывода врача. На основе полученной информации создана система позво-
ляющая проводить раннюю диагностику заболевания [1].
ПОСТАНОВКА ЗАДАЧИ
По данным медицинской статистики рак шейки матки (РШМ) среди онколо-
гических заболеваний, возникающих у женщин, занимает четвертое место
(после рака желудка, кожи и молочных желез).
Первичный кольпоскопический осмотр пациентки врачем гинекологом
определяет необходимость проведения биопсии и последующую консульта-
цию онколога [3]. Рассмотренная в данной работе компьютерная система
может быть использована врачем для преждевременной диагностики рака
путем определения наличия определенных типов тканей в шейке матки без
Анализ использования нейросетей для диагностики …
Системні дослідження та інформаційні технології, 2010, № 2 65
проведения биопсии. Европейская Экспертная Группа, разрабатывающая
Европейскую обобщенную обучающую программу, предложила следую-
щую классификацию изменений эпителия шейки матки: SEA (squamous
epithelial abnormalities) — доброкачественные изменения плоского эпителия
позволяющие предположить CIN; Squamous cell changes — изменения плос-
кого эпителия без четких признаков опухоли; CIN-I — дисплазия легкой
степени; CIN-II — дисплазия умеренной степени; CIN-III — интраэпители-
альная неоплазия тяжелой степени, данное понятие объединяет тяжелую
дисплазию и внутриэпителиальный рак (CIS — carcinoma in situ) рак, подоз-
рительный на инвазию, инвазивный плоскоклеточный рак.
Цель работы — создание компьютерной системы, которая сможет
правильно классифицировать разные виды тканей по мультиспектральному
изображению, применяя нейронные сети (НС). В данной работе рассмо-
трена, в первую очередь диагностика состояний дисплазии и неоплазии
(CIN-I, II, III), а также наличие тканей с доброкачественными изменениями
(MET). Такая задача диагностики является классической задачей для кото-
рой применяются НС. В работе применены нейронные сети с разными алго-
ритмами обучения.
ОСНОВНЫЕ ИДЕИ МЕТОДА ОБРАТНОГО РАСПРОСТРАНЕНИЯ
ОШИБКИ
Данный метод является методом обучения искусственных нейронных сетей,
который впервые был описан Полем Дж. Вербосом в 1974 г., и далее развит
Дэвидом И. Румельхартом и Рональдом Дж. Вильямсом в 1986 году.
Основная идея этого метода состоит в распространении сигналов
ошибки от выходов сети к ее входам, в направлении, обратном прямому
распространению сигналов в обычном режиме работы.
Для возможноcти применения этого метода, передаточная функция
нейронов должна быть дифференциируема.
Описание алгоритма
На рис. 1 изображена нейронная сеть. У сети есть входы nxx ,...,1 , выходы
Outputs и внутренние узлы. Перенумеруем все узлы (включая входы и
выходы) числами от 1 до N . Обозначим через jiw , вес, стоящий на ребре,
соединяющем i-й и j-й узлы, а через io — выход i-го узла. Для m -тестовых
примеров с целевыми значениями выходов }{ d
kt ,...1 md = Outputs∈k
функция ошибки выглядит так:
{ }( ) ( )( )2
1 Outputs
1, ,...,
2
1∑ ∑
= ∈
−=
d k
d
n
d
k
d
kji xxotwE .
Для модификации весов реализовывается стохастический градиентный
спуск, то есть подправляются веса после каждого тестового примера. Необ-
ходимо двигаться в сторону, противоположную градиенту, то есть добав-
лять к каждому весу jiw ,
ji
d
ji w
Ew
,
, ∂
∂
−=∆ η , где
Е.Н. Малышевская
ISSN 1681–6048 System Research & Information Technologies, 2010, № 2 66
{ }( ) ( )∑
∈
−=
Outputsk
d
k
d
kji
d otwE
2
, 2
1 .
Производная вычисляется следующим образом. Пусть сначала Outputj ∈
(интересующий вес) входит в перцептрон последнего уровня. Необходимо
отметить, что wi,j влияет на выход перцептрона только как часть суммы
∑= jijij xwS ,, , где сумма берется по входам j-го узла. Поэтому =
∂
∂
ji
d
w
E
,
j
d
ji
ji
j
j
d
S
Ex
w
S
S
E
∂
∂
=
∂
∂
∂
∂
= ,
,
.
Аналогично, jS влияет на общую ошибку только в рамках выхода j-го
узла jo (выход всей сети). Поэтому
( ) =⎟
⎟
⎠
⎞
⎜
⎜
⎝
⎛
∂
∂
⎟
⎟
⎠
⎞
⎜
⎜
⎝
⎛
−
∂
∂
=
∂∂
∂∂
=
∂
∂ ∑
∈ j
j
k
kk
jjj
j
d
j
d
S
S
ot
oSo
oE
S
E )(
2
1
Outputs
2 σ
( ) ( )( ) ( )( )jjjjjjjj
j
otooooot
o
−−−=−⎟
⎟
⎠
⎞
⎜
⎜
⎝
⎛
−
∂
∂
= 11
2
1 2 .
Если же j-й узел — не на последнем уровне, то у него есть выходы;
обозначим их через Outputs (j). В этом случае
j
k
k k
d
j
d
S
S
S
E
S
E
∂
∂
∂
∂
=
∂
∂ ∑
∈Outputs(j)
и
( )jjji
j
j
ji
j
j
j
k
j
k oow
S
o
w
S
o
o
S
S
S
−=
∂
∂
=
∂
∂
∂
∂
=
∂
∂
1,, .
Здесь
k
d
S
E
∂
∂ — в точности аналогичная поправка, но вычисленная для
узла следующего уровня (обозначим ее через kδ ). От k∆ она отличается
отсутствием множителя )( , jixη− . При помощи формул для вычисления по-
правки для узлов последнего уровня и выражения поправки для узла более
1x
1−nx
2x
3x
nx
O
ut
pu
ts
Рис. 1. Пример нейронной сети
Анализ использования нейросетей для диагностики …
Системні дослідження та інформаційні технології, 2010, № 2 67
низкого уровня через поправки более высокого уровня можно составить ал-
горитм. Именно из-за этой особенности вычисления поправок алгоритм на-
зывается алгоритмом обратного распространения ошибки (backpropagation).
Краткое резюме рассмотренного алгоритма:
• для узла последнего уровня
( )( )jjjjj otoo −−−= 1δ ;
• для внутреннего узла сети
( ) ∑
∈
−−=
Outputs
,1
k
kjkjjj woo δδ ;
• для всех узлов
jijji xw ,, ηδ−=∆ .
На вход алгоритма, кроме указанных параметров, необходимо также
подавать в каком-либо формате структуру сети. На практике очень хорошие
результаты показывают сети достаточно простой структуры, состоящие из
двух уровней нейронов — скрытого уровня (hidden units) и нейронов-
выходов (output units). Каждый вход сети соединен со всеми скрытыми ней-
ронами, а результат работы каждого скрытого нейрона подается на вход
каждому из нейронов-выходов. В таком случае достаточно подать на вход
количество нейронов скрытого уровня [4].
Недостатки алгоритма
Несмотря на многочисленные успешные применения обратного распростра-
нения, оно не является панацеей. Больше всего неприятностей приносит не-
определенно долгий процесс обучения. В сложных задачах для обучения
сети могут потребоваться дни или даже недели, она может и вообще не обу-
читься. Причиной может быть одна из описанных ниже.
Паралич сети. В процессе обучения сети значения весов могут в ре-
зультате коррекции стать очень большими величинами. Это может привести
к тому, что все или большинство нейронов будут функционировать при
очень больших выходящих значениях, в области, где производная сжимаю-
щей функции очень мала. Так как посылаемая обратно в процессе обучения
ошибка пропорциональна этой производной, то процесс обучения может
практически остановиться. В теоретическом отношении эта проблема плохо
изучена. Ее можно избежать уменьшив размер шага η, но это увеличивает
время обучения. Различные эвристики используются для предохранения от
паралича или для восстановления после него, но пока что они могут рас-
сматриваться лишь как экспериментальные.
Локальные минимумы. Обратное распространение использует разно-
видность градиентного спуска, т.е. осуществляет спуск вниз по поверхности
ошибки, непрерывно подстраивая веса в направлении к минимуму. Поверх-
ность ошибки сложной сети сильно изрезана и состоит из холмов, долин,
складок и оврагов в пространстве высокой размерности. Сеть может попасть
в локальный минимум (неглубокую долину), когда рядом имеется гораздо
более глубокий минимум. В точке локального минимума все направления
ведут вверх, и сеть неспособна из него выбраться. Статистические методы
Е.Н. Малышевская
ISSN 1681–6048 System Research & Information Technologies, 2010, № 2 68
обучения могут помочь избежать этой ловушки, но они требуют большего
затрата времени.
Размер шага. Внимательный разбор доказательства сходимости пока-
зывает, что коррекции весов предполагаются бесконечно малыми, но это
неосуществимо на практике, так как ведет к бесконечному времени обуче-
ния. Размер шага должен браться конечным, и в этом вопросе приходится
опираться только на опыт. Если размер шага очень мал, то сходимость
слишком медленная, если же очень велик, то может возникнуть паралич или
постоянная неустойчивость. Описан адаптивный алгоритм выбора шага,
автоматически корректирующий размер шага в процессе обучения.
СЕТИ РАДИАЛЬНОГО БАЗИСА
Самообучающиеся сети, как известно, широко используются для предобра-
ботки данных, например при распознавании образов в пространстве очень
большой размерности. В этом случае для того, чтобы процедура обучения с
учителем была эффективна, необходимо сначала сжать входную информа-
цию тем или иным способом, либо выделить значимые признаки, понизив
размерность, либо произвести квантование данных. Первый путь просто по-
нижает число входов персептрона. Второй способ требует отдельного рас-
смотрения, поскольку лежит в основе очень популярной архитектуры — се-
тей радиального базиса (radial basis functions — RBF).
Аппроксиматоры с локальным базисом
Сети радиального базиса напоминают персептрон с одним скрытым слоем,
осуществляя нелинейное отображение md ℜ⇒ℜ ( )∑=
i
ii xwhy ,φ , являю-
щееся линейной комбинацией базисных функций. Но в отличие от персеп-
тронов, где эти функции зависят от проекций на набор гиперплоскостей
)(wxσ , в сетях радиального базиса используются функции (чаще всего —
гауссовы), зависящие от расстояний до опорных центров: ( )∑ −=
i
iii xwhy φ ,
( ) 22 / iz
i ez σφ −= . Все наборы базисных функций обеспечивают возможность
аппроксимации любой непрерывной функции с произвольной точностью.
Основное различие между ними в способе кодирования информации на
скрытом слое. Если персептроны используют глобальные переменные (на-
боры бесконечных гиперплоскостей), то сети радиального базиса опираются
на компактные шары, окружающие набор опорных центров (рис. 2).
В первом случае в аппроксимации в окрестности любой точки участ-
вуют все нейроны скрытого слоя, во втором — лишь ближайшие. Как след-
ствие такой неэффективности, в последнем случае количество опорных
функций, необходимых для аппроксимации с заданной точностью, воз-
растает экспоненциально с размерностью пространства. Это основной не-
достаток сетей радиального базиса. Основное же их преимущество над пер-
септронами — в простоте обучения [5].
Анализ использования нейросетей для диагностики …
Системні дослідження та інформаційні технології, 2010, № 2 69
Гибридное обучение
Относительная автономность базисных функций позволяет разделить обу-
чение на два этапа. На первом этапе обучается первый (соревновательный)
слой сети, осуществляя квантование данных. На втором этапе происходит
быстрое обучение второго слоя матричными методами, т.к. нахождение ко-
эффициентов второго слоя представляет собой линейную задачу.
Подобная возможность раздельного обучения слоев является основным
достоинством сетей радиального базиса. В целом же, области применимости
персептронов и сетей радиального базиса коррелируют с найденными выше
областями эффективности квантования и понижения размерности.
ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА ДАННЫХ
Большее количество показателей имеют очень высокую корреляцию друг с
другом, что может негативно влиять на работу нейронной сети для класси-
фикации тканей на больную/здоровую. Для этого во избежание потенциаль-
ных проблем в двух случаях показатели меняются. В одном случае, для обу-
чения нейронной сети используется только подмножество показателей,
между которыми коэффициент корреляции не превышает 0,95 (определен
экспериментально). В другом случае, используется метод основных компо-
нент, показатели которого трансформируются в набор независимых некор-
релируемых показателей. Эти методы должны улучшить работу нейронной
сети и увеличить точность классификации.
Метод главных компонент (МГК) (в англоязычной литературе —
principal component analysis — PCA) — один из наиболее распространенных
методов факторного анализа. Суть метода состоит в декомпозиции матрицы
данных X и представлении ее в виде произведения двух матриц: T (матри-
ца счетов, scores) и P (матрица нагрузок, loadings): TPTX = , что, по сути,
является переходом к новым переменным.
Одно из важнейших свойств такого преобразования — ортогональность
новых переменных: ITTTIPPT == , , где I — единичная матрица значи-
тельно упрощает дальнейшие операции с матрицами и позволяет ранжиро-
вать новые переменные в соответствии с их значимостью. Как правило, ис-
пользуются только значимые переменные («главные компоненты»), а
незначимые переменные (соответствующие случайным погрешностям) ис-
a б
Рис. 2. Глобальная (персептроны) и локальная (сети радиального базиса) методы
аппроксимации
Е.Н. Малышевская
ISSN 1681–6048 System Research & Information Technologies, 2010, № 2 70
ключаются из дальнейшего рассмотрения, что позволяет сжать данные и
значительно снизить погрешность расчетов [6].
РЕЗУЛЬТАТЫ ЭКСПЕРИМЕНТОВ
Имеются диагнозы двух врачей, представляющие собой процентное содер-
жание клеток каждого из шести возможных типов тканей (Squamous, Co-
lumnar, MET, CIN1, CIN2, CIN3). В таблице приведены результаты работы
нейронных сетей. При проведении экспериментов использовался метод
Cross validation (скользящий контроль). Процедура скользящего контроля
заключается в следующем. Фиксируется некоторое множество разбиений
выборки на две части: обучающую и проверочную. Для каждого разбиения
выполняется настройка алгоритма по обучающей подвыборке и вычисляется
частота его ошибок на проверочной подвыборке. Оценка скользящего кон-
троля определяется как средняя по всем разбиениям частота ошибок на про-
верочной. Фактически скользящий контроль непосредственно измеряет
обобщающую способность метода обучения на заданой конечной выборке.
Т а б л и ц а . Сравнительный анализ работы нейронных сетей
Средне-
квадратич-
ное
отклонение
(СКО)
Алгоритм
обратного
рапространения
ошибки. Метод
сопряженных
градиентов
Алгоритм
обратного
рапространения
ошибки.
Метод
квази Ньютона
Алгоритм
обратного
рапространения
ошибки. Метод
масштабируемых
сопряженных
градиентов
Сеть
радиального
базиса
СКО (>0,95)
Squamous 0,0607 0,0593 0,0499 0,0325
СКО (PCA)
Squamous 0,0502 0,0621 0,0507 0,0326
СКО (>0,95)
Columnar 0,0459 0,0457 0,0449 0,0295
СКО (PCA)
Columnar 0,0471 0,0480 0,0408 0,0297
СКО (>0,95)
MET 0,0561 0,0530 0,0492 0,0244
СКО (PCA)
MET 0,0580 0,0577 0,0582 0,0247
СКО (>0,95)
CIN1 0,0462 0,0852 0,0408 0,0220
СКО (PCA)
CIN1 0,0817 0,0958 0,0458 0,0224
СКО (>0,95)
CIN2 0,0427 0,0497 0,0345 0,0158
СКО (PCA)
CIN2 0,0392 0,0500 0,0352 0,0158
СКО (>0,95)
CIN3 0,0734 0,0789 0,0739 0,0305
СКО (PCA)
CIN3 0,0656 0,0755 0,0877 0,0306
Анализ использования нейросетей для диагностики …
Системні дослідження та інформаційні технології, 2010, № 2 71
В таблице представлено СКО для 4 НС, с двумя методами предварите-
льной обработки данных (СКО(>0,95)) для подмножества показателей, меж-
ду которыми коэффициент корреляции не превышает 0,95 и СКО (PCA)
(данные с использованием метода основных компонент) для 6 типов тканей.
Из таблицы видно, что сеть RBF дает наименьшую ошибку, при этом оба
метода предварительной обработки данных равноценны.
ВЫВОДЫ
1. Результаты проведенных экспериментов показали целесообразность
использования нейронных сетей для решения задач классификации типов
тканей на медицинских изображениях.
2. Исходя из проведенных экспериментов видно, что сеть RBF всегда
дает наилучшие результаты.
3. Использование различных способов предварительной обработки
данных значительно улучшает работу нейронных сетей. После проведения
ряда экспериментов оба способа оказались достаточно эффективными.
4. Разработанный подход диагностики рака шейки матки с использова-
нием нейронных сетей может быть рекомендован для дальнейшей клиниче-
ской апробации.
ЛИТЕРАТУРА
1. Schoonmaker J. et al. Automatic Segmentation of Uterine Cervix for in vivo
Localization and Identification of Cervical Interaepithelial Neoplasia. —
http://spie.org/Documents/ConferencesExhibitions/mi07-final.pdf.
2. Воробьева Л.И. Цитологический скрининг рака шейки матки // Здоровье Ук-
раины. — 2008. — № 2/1. — С. 18.
3. Koss L.G. The complex test for cervical cancer detection // The Journal of the
American Medical Association. — 1989. — 261, № 5. — С. 737–743.
4. Зайченко Ю.П. Основи проектування інтелектуальних систем. Навчальний по-
сібник. — Київ: Видавничий Дім «Слово», 2004. — 352 с.
5. Domagoj Kovacevic, Sven Loncaric. Radial Basis Function-based Image Segmenta-
tion using a Receptive Field // Computer-Based Medical Systems. — 1997. Pro-
ceedings., Tenth IEEE Symposium. — Р. 126–130.
6. Richard G. Brereton Introduction to multivariate calibration in analytical chemistry
// Analyst. — 2000. — № 125. — Р. 2125–2154.
Поступила 02.07.2008
|
| id | journaliasakpiua-article-106964 |
| institution | System research and information technologies |
| keywords_txt_mv | keywords |
| language | Russian |
| last_indexed | 2025-07-17T10:21:57Z |
| publishDate | 2010 |
| publisher | The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" |
| record_format | ojs |
| resource_txt_mv | journaliasakpiua/d8/ccf4316dc1e4a739db7eb2726fb963d8.pdf |
| spelling | journaliasakpiua-article-1069642018-04-06T12:29:48Z Analisis of using neural networks for cancer diagnosis from multisensor imagery Анализ использования нейросетей для диагностики рака шейки матки по мультиспектральному изображению Аналіз використання нейронних мереж для діагностики раку шийки матки по мультиспектральному зображенню Malyshevska, Kateryna M. The problem of cervical cancer diagnosis using neural networks from multisensor imagery is investigated. The radial basis function networks and error backpropagation networks are used for the diagnosis. The results of experiments are presented. Рассмотрена проблема диагностики рака шейки матки с помощью нейронных сетей по мультиспектральному изображению. Для диагностики использованы нейронные сети с обратным распространением ошибки и сети с радиальным базисом. Приведены результаты экспериментальных исследований. Розглянуто проблему діагностики раку шийки матки за допомогою нейронних мереж по мультиспектральному зображенню. Для діагностики використано нейронні мережі зі зворотним розповсюдженням помилки та мережі з радіальним базисом. Приведено результати експериментальних досліджень. The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" 2010-06-21 Article Article application/pdf https://journal.iasa.kpi.ua/article/view/106964 System research and information technologies; No. 2 (2010); 64-71 Системные исследования и информационные технологии; № 2 (2010); 64-71 Системні дослідження та інформаційні технології; № 2 (2010); 64-71 2308-8893 1681-6048 ru https://journal.iasa.kpi.ua/article/view/106964/101965 Copyright (c) 2021 System research and information technologies |
| spellingShingle | Malyshevska, Kateryna M. Аналіз використання нейронних мереж для діагностики раку шийки матки по мультиспектральному зображенню |
| title | Аналіз використання нейронних мереж для діагностики раку шийки матки по мультиспектральному зображенню |
| title_alt | Analisis of using neural networks for cancer diagnosis from multisensor imagery Анализ использования нейросетей для диагностики рака шейки матки по мультиспектральному изображению |
| title_full | Аналіз використання нейронних мереж для діагностики раку шийки матки по мультиспектральному зображенню |
| title_fullStr | Аналіз використання нейронних мереж для діагностики раку шийки матки по мультиспектральному зображенню |
| title_full_unstemmed | Аналіз використання нейронних мереж для діагностики раку шийки матки по мультиспектральному зображенню |
| title_short | Аналіз використання нейронних мереж для діагностики раку шийки матки по мультиспектральному зображенню |
| title_sort | аналіз використання нейронних мереж для діагностики раку шийки матки по мультиспектральному зображенню |
| url | https://journal.iasa.kpi.ua/article/view/106964 |
| work_keys_str_mv | AT malyshevskakaterynam analisisofusingneuralnetworksforcancerdiagnosisfrommultisensorimagery AT malyshevskakaterynam analizispolʹzovaniânejrosetejdlâdiagnostikirakašejkimatkipomulʹtispektralʹnomuizobraženiû AT malyshevskakaterynam analízvikoristannânejronnihmereždlâdíagnostikirakušijkimatkipomulʹtispektralʹnomuzobražennû |