В данной работе был разработан метод автоматического разбиения изображения мозга плодовой мушки на области. Данный алгоритм ускоряет и упрощает анализ функциональных областей мозга плодовой мушки. Был проведен сравнительный анализ классических алгоритмов кластеризации, таких как: к-средних, BIRCH и иерархического алгоритма кластеризации, который работает снизу вверх, объединяя кластеры с минимальным средним квадратическим отклонением, с реализованным в данной работе алгоритмом. Реализованный в данной работе алгоритм является генетическим. Были придуманы и реализованы несколько видов мутаций: - выделяющая мутация - разделяющая мутация, имеющая две модификации: случайную, которая случайно делит пополам кластер и детерминированную, удаляющую ребра, через которые проходит наибольшее количество кратчайших путей в данном графе, пока граф не перестанет быть связным - склеивающая мутация Была разработана метрика, по которой сравнивались качества разбиений. Также была разработана параллельная версия генетического алгоритма, заметно ускорившая его работу. Была установлена несостоятельность классификаторов из пакета scikit-learn. Были проведены численные эксперименты по разбиению мозгов плодовых мушек для шести экспериментальных образцов. Разработанный генетический алгоритм показал свое превосходство над классическими алгоритмами кластеризации.

In this work, a method was developed for automatically splitting an image of a fruit fly brain in an area. This algorithm speeds up and simplifies the analysis of functional areas of the fruit fly brain. A comparative analysis of classical clustering algorithms, such as k-means, BIRCH and a hierarchical clustering algorithm, which works from the bottom up, combining clusters with the minimum standard deviation, with the algorithm implemented in this work, was carried out. The algorithm implemented in this work is genetic. Several types of mutations were invented and implemented: - extracting mutation - separating mutation, having two modifications: random, which randomly bisects the cluster and deterministic, which removes the edges through which the greatest number of shortest paths in a given graph passes until the graph is no longer connected - merging mutation A metric was developed by which the quality of the partitions was compared. A parallel version of the genetic algorithm was also developed, which significantly accelerated its work. An inconsistency of the classifiers from the scikit-learn package has been fixed. Numerical experiments were performed to break the brains of fruit flies for six experimental samples. The developed genetic algorithm has shown its superiority over the classical clustering algorithms.

• Тема выпускной квалификационной работы
  • Список сокращений и условных обозначений
  • Введение
  • 1. Постановка задачи и описание данных
  • 2. Описание этапов работы с данными, метрик и алгоритмов
  • 3. Проведенные численные эксперименты
  • Заключение
  • Выводы
  • Библиографический список