Ворота сегментные: Секционные ворота АЛЮТЕХ купить, цена от 19 900, подъемные ворота напрямую от производителя

Содержание

Гаражные подъемные ворота по цене от 29000 руб.

Я, субъект персональных данных, в соответствии с Федеральным законом от 27 июля 2006 года № 152 «О персональных данных» предоставляю ООО «Алюминиевые системы», расположенному по адресу 121596, Россия, г. Москва, ул. Горбунова, д. 2, стр. 3 согласие на обработку:

  • персональных данных, сбор которых ООО «Алюминиевые системы» осуществляет при использовании сайта в сети «Интернет» https://www.vorota365.ru: IP-адрес, информация из cookie, информация о браузере пользователя (или иной программе, с помощью которой осуществляется доступ к https://www.vorota365.ru), время доступа, адрес запрашиваемой страницы сайта https://www.vorota365.ru, адрес ранее посещенной страницы сайта сети «Интернет», в целях: Маркетинговая аналитика.
  • персональных данных, указанных мной на страницах сайта https://www.vorota365.ru в сети «Интернет», характер информации которых предполагает или допускает включение в них следующих персональных данных: ФИО, дата рождения, паспортные данные, адрес регистрации, контактный номер телефона, контактный адрес электронной почты, в целях: Ведение бухгалтерского учета, ведение базы данных клиентов, регистрация клиентов и потенциальных клиентов в базе данных клиентов..

Согласие предоставляется на совершение следующих действий (операций) с указанными в настоящем согласии персональными данными: сбор, систематизацию, накопление, хранение, уточнение (обновление, изменение), использование, передачу (предоставление, доступ), блокирование, удаление, уничтожение, осуществляемых как с использованием средств автоматизации (автоматизированная обработка), так и без использования таких средств (неавтоматизированная обработка).

Согласие действует по достижении целей обработки или в случае утраты необходимости в достижении этих целей, если иное не предусмотрено федеральным законом.

Согласие может быть отозвано мною в любое время на основании моего письменного заявления.

Автоматические секционные ворота / Гаражные ворота / Продукция


Секционные ворота — ворота вашей мечты, изготовленные в соответствии с высочайшими стандартами качества Hörmann.

Секционные гаражные ворота открываются вертикально и в открытом положении располагаются под потолком. Эта важная особенность конструкции обеспечивает максимальное пространство в гараже и место для парковки перед гаражом. Форма гаражного проема не играет никакой роли, ворота подходят для любых проемов: квадратных или скошенных, с полукруглой или сегментной аркой. Это важно если у вас внедорожный автомобиль, микроавтобус или фургон.

Высокопрочные упругие и погодоустойчивые уплотнения, которыми секционные ворота Hörmann оснащаются снаружи со всех четырех сторон, выдерживают ветровые нагрузки и воздействие ливневой воды. А объемное напольное уплотнение еще дополнительно компенсирует мелкие неровности пола гаража.
Секционные гаражные ворота Hörmann по вашему желанию могут быть оснащены автоматикой благодаря которой, вы ощутите повышенный комфорт. Когда вы подъезжаете к гаражу в темное время суток или при плохой погоде, вам нет необходимости выходить из машины, чтобы открыть гараж. Лёгкое нажатие на кнопку пульта дистанционного управления, и ворота волшебным образом бесшумно откроются. Мгновение — и ворот как будто и не было. Вы почувствуете, что выбор в пользу повышенного комфорта и безопасности совершенно оправдан. В целях упрощения и удобства управления автоматическими секционными воротами предлагается огромный ассортимент принадлежностей, начиная с микропульта дистанционного управления, кодовых замков, детекторов отпечатков пальцев, и заканчивая специальным оборудованием, позволяющим на удалении управлять воротами и контролировать их положение с помощью смартфона.

У Hörmann приводная техника с направляющими шинами является патентованной системой: ваши ворота работают бесшумно, надежно, не требуют ухода. А благодаря затрудняющим взлом принадлежностям, ворота закрытые с помощью привода, надежно защищены от непрошенных гостей. Эта функция работает также при нарушении электроснабжения.

Ваш вкус индивидуален — секционные ворота Hormann также индивидуальны.

Вы хотели бы ворота, в точности отвечающие Вашим желаниям? Тогда Вы не ошиблись, остановившись на секционных воротах Hörmann. Просто выберите, посмотрев каталог: с теплоизоляцией или без нее, вариант отделки поверхности, цвет. Разнообразное внешнее оформление ворот предоставляет многочисленные возможности для оформления поверхностей и подбора цветовой гаммы. Выбрав все это в соответствии с личными пожеланиями, вы обязательно найдете для себя именно те ворота, которые будут безупречно гармонировать с обликом вашего дома и эффектно подчеркнут общее впечатление. Разумеется, включая все преимущества в области комфорта и безопасности, которые предлагают секционные ворота Hörmann.

Более подробную информацию Вы можете посмотреть в каталоге.

Виды панелей

Стальные панели LPU 67 Thermo

Энергосберегающие ворота сохранят тепло, благодаря толщине наполнителя 67 мм с отличной теплоизоляцией.

Подробнее о LPU 67.

Стальные панели LPU 42

Двустенные ворота LPU 42 обладают самой эффективной изоляцией. Наряду с этим, секции толщиной 42 мм обеспечивают наилучшую устойчивость и плавное, бесшумное движение ворот.

Стальные панели LTE

Одностенные ворота LTE представляют собой выгодное по цене решение для отдельно стоящих гаражей, не требующих дополнительной теплоизоляции.

Панели из древесины LTH

Ворота из панелей массивной древесины идеально подходят для деревянных домов или зданий с многочисленными деревянными элементами, например, фахверк или элементы фасада.

Более подробную информацию Вы можете посмотреть в каталоге.

Варианты исполнения

Если в вашем гараже предусмотрен боковой вход, то вы можете заказать подходящую дверь, которая будет идеально гармонировать с вашими воротами. Такой подход к оформлению гаража подчёркивает утончённый вкус хозяина и неоспоримые способности видеть красоту стиля. Двери поставляются полностью готовыми к установке. С надёжными замками, регулируемыми петлями и погодоустойчивой, красивой фурнитурой.

S-гофры

M-гофры

L-гофры

Кассеты

Если в вашем гараже не предусмотрен боковой вход, вы можете заказать секционные ворота со встроенной дверью. Дверь в воротах может быть сделана посередине, справа или слева, по вашему желанию.

Более подробную информацию Вы можете посмотреть в каталоге.

LPU 67 Thermo — для русских зим

Стандартное исполнение с наилучшей теплоизоляцией! Энергосберегающие ворота выгодно отличаются секциями толщиной 67 мм с термическим разделением и прекрасной теплоизоляцией.

Особенности модели:

  1. Секции с термическим разделением шириной 67 мм
  2. Защита от защемления пальцев снаружи и изнутри
  3. Тройное усиление листовой стали в области резьбовых соединений
  4. Двойное манжетное уплотнение в области переходов между секциями
  5. Двойное напольное уплотнение
Более подробную информацию Вы можете посмотреть в каталоге.

Виды поверхности

Создайте дизайн Ваших гаражных ворот в соответствии со своими собственными пожеланиями. При заказе стальных секционных ворот можно выбрать одну из четырех поверхностей, которую Вы сможете подобрать к Вашему дому по цвету и по фактуре. Вы также можете сделать выбор в пользу одного из шести вариантов декоративной отделки Decograin – либо под натуральное дерево, либо с благородным металлическим эффектом. Ваши секционные ворота из массивной древесины могут быть изготовлены из двух древесных пород и покрыты одним из 8 цветных лаков по Вашему желанию.

Woodgrain

Выгодная по цене и прочная поверхность со структурой, имитирующей натуральный срез древесины, позволяет за счет тиснения незаметно устранить небольшие царапины. Возможна покраска в белый цвет RAL 9016, а также в 15 предпочтительных цветов или цвет RAL по выбору.

Sandgrain

Изыскано структурированная поверхность для знающих цену застройщиков особенно подходит для современных домов. Возможна покраска в белый цвет RAL 9016 и в 3 предпочтительных цвета.

Silkgrain

Гладкая поверхность Silkgrain – это лучший выбор для современной архитектуры, благодаря ее благородному внешнему виду. К тому же, увеличенная на 50 % толщина металлической облицовки обеспечивает секции более высокую стабильность с еще более плавным ходом. Возможна покраска в белый цвет RAL 9016, а также в 15 предпочтительных цветов или цвет RAL по выбору.

Decograin

Поверхности Decograin с устойчивым к воздействию УФ лучей синтетическим пленочным покрытием для секционных ворот точно передают характерный внешний вид древесины и изысканную элегантность поверхности Metallic цвета антрацит. Вы можете выбрать один из 5 вариантов отделки под дерево или покрытие цвета «металлик».

Северная ель

Светлая древесина хвойных пород с преимущественно прямыми волокнами. Полые участки сердцевины, смоляные ходы, косослой и желто-коричневые «сучки» являются абсолютно естественными.

Пихта Hemlock

Древесина хвойных пород от беловато-серого до светло-серо-коричневатого цвета с преобладающим прямым направлением волокон с коричневыми волокнами минерального происхождения и проростями в направлении волокон.

Более подробную информацию Вы можете посмотреть в каталоге.

Поверхность Duragrain – 24 варианта декоративной отделки

Представляем новую декоративную поверхность гаражных ворот Duragrain с высокопрочным защитным лаком. Инновационная цифровая печать позволяет создать невыцветающую поверхность с естественным внешним видом и точной передачей мельчайших деталей для любого архитектурного стиля.

Структура покрытия Duragrain:

  1. Двустенные стальные секции LPU толщиной 42 мм с заполнением из полиуретана
  2. Горячеоцинкованная поверхность изнутри и снаружи
  3. Секции изнутри и снаружи с грунтовочным покрытием серо-белого цвета RAL 9002
  4. Устойчивая к воздействию ультрафиолетовых лучей декоративная печать поверх грунтовочного покрытия с внешней стороны секций обеспечивает естественный вид и стойкость декоративной отделки
  5. Стойкое к царапинам покрытие поверхности Duragrain надолго защитит декоративную отделку с внешней стороны от негативного воздействия окружающей среды и ворота дольше будут выглядеть красиво
Более подробную информацию Вы можете посмотреть в каталоге.

Цвет украшает и защищает

1) RAL 9007 — Цвет серого алюминия

2) RAL 9006 — Белый алюминий

3) RAL 8028 — Коричневый

4) RAL 8003 — Кирпичный

5) RAL 8001 — Цвет охры

6) RAL 7040 — Серый

7) RAL 7035 — Светло-серый

8) RAL 7030 — Цвет серого камня

9) RAL 7016 — Цвет серого антрацита

10) RAL 6009 — Цвет хвои

11) RAL 6005 — Цвет мха

12) RAL 5014 — Сизый

13) RAL 5011 — Стальной голубой

14) RAL 3003 — Рубиново-красный

15) RAL 1015 — Цвет светлой слоновой кости

К какому бы архитектурному стилю не относился Ваш дом, в компании Hörmann Вы обязательно найдете гаражные секционные ворота, идеально подходящие для него. При заказе стальных секционных ворот помимо серийно белого цвета по образцу RAL 9016 мы предлагаем Вам на выбор 15 предпочтительных цветов по одной цене, а также примерно 200 цветов по карте RAL и 6 вариантов декоративной отделки Decograin. Для того чтобы Ваши ворота на протяжении долгого времени радовали глаз и выглядели как новые, их поверхность оптимально защищена от коррозии. Горячеоцинкованный материал и высококачественное полиэстеровое грунтовочное покрытие имеют водоотталкивающий эффект. Ворота из массивной древесины могут быть изготовлены из двух древесных пород. Вы можете выбрать подходящий для Вашего дома оттенок из 8 предлагаемых цветов лака.
Одностенные ворота LTE поставляются только белого цвета.

Более подробную информацию Вы можете посмотреть в каталоге.

6 вариантов исполнения поверхности Decograin

Поверхность Decograin предлагается в пяти вариантах отделки под натуральное дерево и в одном варианте декоративной отделки цвета антрацит с металлическим эффектом. Нанесенное тиснение передает характер натурального дерева с точностью до мельчайших деталей. Благодаря особой защите поверхности с помощью устойчивого к воздействию ультрафиолетовых лучей синтетического пленочного покрытия с внешней стороны стальных секций, ворота надолго сохраняют красивый внешний вид.

Decograin Winchester Oak: отделка под сучковатый дуб натурального цвета

Decograin Dark Oak (темный дуб): отделка под дуб орехового цвета

Decograin Night Oak (дуб венге): фактура дуба с насыщенным темным тоном

Decograin Golden Oak (золотой дуб): отделка под дуб золотисто-желтого цвета

Decograin Rosewood (красное дерево): отделка под красное дерево

Titan Metallic CH 703: цвет антрацита с металлическим блеском

Более подробную информацию Вы можете посмотреть в каталоге.

Технические вопросы

  • Максимальная ширина ворот — 6000мм, высота — 3000мм.
  • Максимальные размеры напрямую зависят от видов панелей, поверхностей и гофр.
  • Со всеми техническими данными, необходимыми для монтажа ворот, можно ознакомиться на странице «Для частных заказчиков»
  • Дополнительные опции для ворот (остекление, двери и т.д.) находятся во вкладке «Опции».
  • Ворота стандартных размеров, наиболее востребованные, белого ( RAL 9016) и коричневого цвета ( RAL 8028) с поверхностью М-гофр Woodgrain постоянно имеются у нас на складе. Ворота с другим дизайном, поверхностью и цветом, поставляются из Германии в течение 4-6 недель.

Аргументы в пользу HÖRMANN

Все компоненты ворот и приводов компании Hörmann разрабатываются и производятся на собственных высокоспециализированных заводах, они идеально согласованы друг с другом и для Вашей безопасности испытаны и сертифицированы специальными независимыми институтами и организациями. Они изготавливаются в Германии в соответствии с системой управления качеством по DIN ISO 9001 и отвечают всем требованиям европейского стандарта 13241-1. Наряду с этим, над созданием новых изделий и совершенствованием выпускаемой продукции интенсивно работают высококвалифицированные сотрудники. Результатом являются патенты и уникальная продукция на рынке.

Длительные испытания изделий в реальных условиях гарантируют безупречное качество серийной продукции в соответствии с высокими стандартами компании Hörmann. Ввиду этого, а также благодаря выдающимся техническим решениям и бескомпромиссному качеству компания Hörmann предоставляет Вам 10-летнюю гарантию на все секционные ворота и 5-летнюю гарантию на приводы.*

* Подробные условия гарантии Вы найдете на сайте: www.hoermann.com

Компания Hörmann подает хороший пример. Начиная с 2013 года, предприятие покрывает свое потребление энергии на 40 % из экологически чистой электроэнергии и намерено наращивать эти показатели. Вместе с этим, за счет введения «умной» и сертифицированной системы управления энергией ежегодно экономятся тонны CO2. И не в последнюю очередь компания Hörmann предлагает изделия для экологического строительства.
Узнайте больше о экологической деятельности компании Hörmann в проспекте «Hörmann и экология».

[1] Одинаковые расстояния между гофрами и незаметные переходы между секциями для ворот с гофрами
Гаражные ворота Hörmann отличаются строго равномерным распределением гофров [A]. Секции имеют такую форму, что при закрытых воротах переходы между ними практически незаметны. Пожалуйста, сравните!

По желанию Вы можете заказать практичные боковые двери с гофрами, которые будут выполнены на одной линии с гофрами гаражных секционных ворот.

[2] Неравномерное распределение гофров [B], [C] вследствие различной высоты секций и четких межсекционных переходов создает негармоничный внешний вид ворот других производителей.

[3] Равномерное распределение кассет Для общего гармоничного вида компания Hörmann предлагает секционные ворота, у которых расстояния между отдельными кассетами [D] по высоте абсолютно одинаковые. Высота секций равномерно распределена по всей высоте ворот. Также горизонтальные расстояния между кассетами в секции сохраняются равномерными. Благодаря этому создается гармоничный внешний вид ворот.

По желанию можно также заказать боковые двери с равномерным распределением секций одинакового внешнего вида с гаражными секционными воротами.

[4] Неравномерное расстояние между кассетами [E], [F] за счет разной высоты секций на воротах других производителей создает негармоничный внешний вид.

Гармоничный внешний вид ворот создается благодаря множеству мельчайших деталей: компенсирующая фальш-панель в зоне перемычки [1] поставляется для белых ворот и во всех вариантах исполнения поверхностей всегда одинакового внешнего вида с секциями ворот. У Hörmann все компоненты подходят друг другу. Боковые направляющие [2] поставляются серийно с отделкой поверхности Woodgrain белого цвета. Для секционных ворот с поверхностями Sandgrain, Silkgrain или Decograin предлагаются дополнительно облицовки направляющих с поверхностью секции ворот. Для ворот с поверхностью Micrograin облицовка направляющей поставляется с гладкой поверхностью Silkgrain.

Для секционных ворот с цветным покрытием и для ворот с отделкой поверхности Decograin дополнительно поставляется облицовка направляющих [2] , подходящая к секциям ворот по поверхности, цвету и декоративной отделке. Компенсирующая фальш-панель в зоне перемычки [1] данных ворот всегда имеет такую же поверхность, цвет и декоративную отделку, как и секции ворот.

Для ворот LPU установленная заподлицо компенсирующая фальш-панель в зоне перемычки является элегантным решением с невидимым переходом между фальш- панелью и полотном. При закрывании ворот верхняя секция пристыковывается заподлицо с фальш- панелью.

Устойчивое к воздействию ультрафиолетовых лучей синтетическое пленочное покрытие с внешней стороны стальных секций точно передает натуральную структуру древесины и элегантную поверхность Metallic цвета антрацита. 6 вариантов исполнения поверхности Decograin дольше сохраняют привлекательный внешний вид благодаря специальной защите поверхности.

Антикоррозийное пластмассовое основание направляющих высотой 4 см обеспечивает надежную защиту ворот в условиях длительной сырости. Подобной системы защиты основания направляющих от коррозии у конкурентов нет.
Вместе с напольным уплотнением ворот основание направляющих создает удачное завершение, в том числе и внешне.

Если гараж является частью дома, мы всегда рекомендуем гаражные ворота с хорошей теплоизоляцией. Благодаря уплотнению направляющей ThermoFrame от Hörmann возможно улучшить и без того хорошие показатели теплоизоляции ворот LPU. Пластмассовый профиль черного цвета, который легко устанавливается вместе с направляющими ворот, обеспечивает термическое разделение между рамой направляющих и кирпичной стеной, и улучшает тем самым теплоизоляцию на 15 %*. В качестве опции Вы можете заказать уплотнительную прокладку ThermoFrame для всех секционных ворот Hörmann.

Для обеспечения простого прохода в гараж рекомендуется калитка без порога. Так Вы сможете, не открывая ворота гаража, выкатить велосипед или взять садовый инвентарь.
Порог из нержавеющей стали имеет высоту посередине 10 мм и по краям – 5 мм. Это облегчает выкатывание и сокращает риск спотыкания.

Автоматические секционные ворота Hörmann не оставляют непрошеным гостям никаких шансов. При закрывании гаражных ворот предохранительное устройство защиты от подваживания автоматически входит в упор направляющей шины, мгновенно фиксируется и обеспечивает защиту от подваживания. Эта запатентованная система запирания ворот является механической и поэтому, в отличие от приводов конкурентных фирм, эффективно работает даже в условиях отсутствия электроснабжения.

Система дистанционного управления BiSecur для приводов гаражных и въездных ворот, отличающаяся надежной кодировкой и подачей сигнала с обратной связью, представляет собой технологию будущего и служит для комфортного и надежного управления гаражными воротами, въездными воротами, освещением и др.

Благодаря новой сверхнадежной системе кодировки BiSecur со стабильным радиусом действия без помех Вы можете быть уверены в том, что никто не сможет скопировать Ваш радиосигнал. Данная технология испытана и сертифицирована специалистами по безопасности Рурского университета г. Бохума, она не уступает по надежности системам банковских платежей через Интернет.

Вам больше не нужно выходить из дома в непогоду, чтобы проверить, закрыты ли Ваши ворота. Нажав один раз на клавишу, Вы по цвету светодиода на пульте HS 5 BS узнаете, закрыты ли Ваши гаражные ворота. При необходимости, Вы можете закрыть ворота повторным нажатием на клавишу*. Еще более удобно и надежно управлять воротами просто невозможно!

С помощью нашего нового приложения (App)** в сочетании со шлюзом BiSecur Gateway Вы можете комфортно управлять на смартфоне или планшетном компьютере Вашими приводами гаражных и въездных ворот Hörmann, а также Вашей входной дверью*** Hörmann и другими устройствами.

* Для управления без возможности наблюдения за воротами необходим дополнительный световой барьер.
** Для операционных систем iOS и Android
*** Со специальным оснащением

Эксклюзивные пульты ДУ BiSecur подкупают не только своим дизайном черного и белого цвета, но и элегантной формой, благодаря которой они удобно лежат в руке.

Пульты ДУ BiSecur Hörmann с лакированной поверхностью под рояльный лак (опция) за свой эксклюзивный дизайн получили авторитетную награду «reddot design award».


Почему следует отдавать предпочтение воротам Hörmann.

Секционные ворота Hörmann производятся в Германии. Этим обеспечивается неизменное качество изделий, выполняемых, с исконно немецкой педантичностью,при постоянном контроле качества исходных материалов, автоматики и других компонентов гаражных ворот. Поэтому о работоспособности ворот вам не придётся беспокоиться как минимум 20 лет, при условии, что ворота будут открываться – закрываться, не более пяти циклов в день. Ресурс огромен. А если учесть, что у многих это всего два цикла в день( первый- когда выезжаете, второй- когда возвращаетесь) , то можно сказать, что ворота на всю жизнь.

  • Подъемные секционные ворота Hörmann,отличаются высочайшей приспособленностью к эксплуатации в любых условиях и комфортном использовании. Так, например, ими можно управлять с дистанционного пульта, как и многими современными аналогами. Но главной конструктивной особенностью, отличающей немецкие ворота от многих других аналогов, является реализованный принцип обратной связи управляющего модуля — на пульте имеется светодиодная индикация, сигнализирующая о текущем положении створки.
  • Благодаря применению запатентованного предохранительного механизма,ворота Hörmannспособны значительно дольше противостоятьвзлому и проникновению в гараж.
  • Автоматические подъёмные секционные ворота производства Hörmann обладают значительно улучшенными показателями энергоэффективности — тепловые потери через створки намного меньше в сравнении с аналогичной продукцией других фирм. А это значительное снижение энергозатрат при установке в отапливаемых гаражах.
  • Основание створок изготавливается с антикоррозийным пластиковым покрытием, что обеспечивает длительнуюсопротивляемость коррозии даже при условии постоянно влажной внешней среды.
  • При многих неоспоримых преимуществах, цены на готовые изделия компании Hörmann, сравнимы с менее функциональными, безопасными, экономичными и эстетичными аналогами.
  • Выбрать и купить ворота вы можете в компании РОДВЕЛ.
  • В Москве и Московской области компания РОДВЕЛ придёт к Вам на помощь, если Вы действительно цените качество, надёжность, долговечность и безопасность.
  • Компания РОДВЕЛ установит у вас на объекте любые ворота.
  • Мы работаем быстро, аккуратно, профессионально и с гарантией 3 года, как ни кто другой.


Двери в воротах

При наличии в воротах двери Вы быстро и легко достанете из гаража все, что Вам нужно – садовый инвентарь, велосипеды и тележки. Только Hörmann предлагает порог из нержавеющей стали с высотой посередине всего 10 мм и по краям – всего 5 мм. Об него Вы не споткнетесь и свободно сможете выкатить, например, велосипед или тележку.

Алюминиевая дверная рама серийно поставляется анодированной в натуральный цвет, по специальному заказу возможно также покрытие в цвет ворот. Верхняя секция ворот снабжена защитным уплотнением по всей длине, в том числе, в области двери.

Для любых ворот компания Hörmann предлагает подходящую боковую дверь

Сделайте так, чтобы боковой вход в Ваш гараж идеально гармонировал с Вашими гаражными воротами! Мы предлагаем Вам заказать боковую дверь с таким же распределением гофров или кассет, как на Ваших секционных воротах.

Боковые двери Hörmann поставляются в состоянии, готовом к монтажу, и оснащены врезным замком с профильным цилиндром, гарнитурой нажимных ручек с закругленными концами и овальными розетками, а также регулируемыми в трех плоскостях дверными петлями. Рама дверного полотна выполнена из погодоустойчивых алюминиевых профилей (строительная глубина 60 мм) и уплотнена по всему периметру.

Более подробную информацию Вы можете посмотреть в каталоге.

Для входа без двери

Если у Вашего гаража нет второго входа, то Вы можете открыть Ваши автоматические гаражные ворота с помощью красивой ручки, а в экстренной ситуации – с помощью незаметного замка аварийной деблокировки снаружи.

Ручки ворот

Ручки ворот Hörmann отличаются современной изящной формой. При этом выбор материала здесь является не только вопросом личного вкуса. Так, например, важной характеристикой ручек из нержавеющей стали является их прочность и износостойкая поверхность. Замок может быть интегрирован в домовую систему запирающих устройств.
Ворота с ручным управлением и ручкой защищены от взлома благодаря запирающему устройству с защелкой. В ходе блокировки прочный диск защелки с автоматической фиксацией запирает массивный штырь на боковой направляющей.

Аварийная деблокировка

Если Вы не хотите устанавливать на Ваших автоматических секционных воротах ручку, мы рекомендуем Вам на гаражах без второго входа использовать замок аварийной деблокировки. С помощью незаметного круглого цилиндра (не может быть встроен в домовую систему запирающих устройств) Вы можете разблокировать Ваши гаражные ворота и без проблем открыть их в экстренной ситуации.
На автоматических секционных воротах с ручкой Вы можете привести в действие аварийную деблокировку с помощью ручки ворот. В этом случае ворота отпирает трос Боудена с внутренней стороны.

Более подробную информацию Вы можете посмотреть в каталоге.

Окна в воротах

В зависимости от типа ворот выберите вариант остекления – прозрачное или со структурной поверхностью, одинарное или двойное. Остекление из прозрачной пластмассы поставляется серийно с  остеклением DURATEC.

Оно обеспечивает:

  • высокую стойкость к царапинам
  • прозрачность в течение длительного времени
  • улучшенную теплоизоляцию

Варианты остекления:

  1. Остекление, тип D
  2. Ряд окон в алюминиевой раме
  3. Остекление Klassik S0
  4. Остекление Klassik M0
  5. Остекление Klassik L0
  6. Остекление Klassik S1
  7. Остекление Klassik S2
  8. Остекление Sunrise S10
  9. Остекление Sunrise S60
  10. Остекление V-кассет V0
Более подробную информацию Вы можете посмотреть в каталоге.

Приводы гаражных ворот

SupraMatic – Supra-быстрый привод с множеством дополнительных функций

  • Серийный пульт ДУ HS 5 BS со структурной поверхностью черного цвета и с 5-ю клавишами
  • Запрос положения ворот
  • Незначительный расход электроэнергии
  • простое программирование
  • Двойной 7-сегментный дисплей
  • Отдельно выключаемое галогенное освещение
  • Регулируемая высота открывания для вентиляции
  • Автоматическая блокировка ворот
  • Кожух привода из шлифованного алюминия

ProMatic – выгодное знакомство с высочайшим качеством Hörmann

  • Серийно с 4-клавишным пультом ДУ HSE 4 BS
  • Регулируемая высота открывания для вентиляции
  • Автоматическая блокировка ворот

ProMatic Akku для гаражей, не подключенных к источнику тока

  • Серийно с пультом ДУ и такими же функциями, как у привода ProMatic
  • Солнечная батарея для подзарядки аккумулятора (опция)
  • Автоматическая блокировка ворот
Более подробную информацию Вы можете посмотреть в каталоге.

МОБИЛЬНЫЕ ПРИНАДЛЕЖНОСТИ

Пульты дистанционного управления

Компания Hörmann предлагает множество красивых моделей, которые могут иметь до 5 различных функций. Во всех наших элементах управления используется наша инновационная технология дистанционного управления BiSecur.

Пульт ДУ HS 5 BS

4 функции + клавиша запроса положения ворот.
1 Блестящая поверхность черного или белого цвета
2 Структурная поверхность черного цвета

Пульт ДУ HS 4 BS

4 функции.
3 Структурная поверхность черного цвета

Пульт ДУ HS 1 BS

1 функция.
4 Структурная поверхность черного цвета

Пульт ДУ HSE 1 BS

1 функция, вкл. ушко для брелока.
5 Структурная поверхность черного цвета

Пульт ДУ HSE 4 BS

4 функции, вкл. ушко для брелока.
6 Структурная поверхность черного цвета, с хромированными или пластмассовыми колпачками

Пульт ДУ HSE 2 BS

2 функции, вкл. ушко для брелока.
7 Блестящая поверхность черного или белого цвета
8 Блестящая поверхность зеленого, лилового, жёлтого, красного, оранжевого цвета
9 Декоративная отделка: серебристая, карбон, корень дерева темного тона (на рис. слева направо)

10Пульт ДУ HSD 2-A BS

Корпус под алюминий, с 2-мя функциями, можно использовать как брелок

11Пульт ДУ HSD 2-C BS

Блестящий хромированный корпус, с 2-мя функциями, можно использовать как брелок

12Пульт ДУ HSP 4 BS

С 4-мя функциями, с блокировкой передатчика, вкл. кольцо под ключи

13Пульт ДУ HSZ 1 BS

С одной функцией, для помещения в отсек прикуривателя автомобиля

14Пульт ДУ HSZ 2 BS

С 2-мя функциями, для помещения в отсек прикуривателя автомобиля

Более подробную информацию Вы можете посмотреть в каталоге.

обзор моделей, цены и отзывы

Промышленные ворота сегментного типа компании «Алютех» предназначаются для монтажа в проемах гаражей, складов, строений общественного предназначения, автосалонах, мойках, станциях технического обслуживания и пожарных частях. Словом, везде, где есть потребность в надежных воротах, защищающих строение от ветра и холода и открывающихся за считанные секунды, без распахивания створок.

Компания «Алютех» готова предложить потребителям около 10 моделей именно промышленных ворот, выпускаемых в особой серии Alutech ProPlus, предполагающей обслуживание проемов с шириной до 8 метров и высотой до 7 метров.

Причем промышленная серия ProPlus, в отличие от бытовой линии ворот STANDART или ординарных моделей CLASSIC имеет не только укрупненные размеры, но и более прочную структуру, ориентированную на эксплуатацию в режиме интенсивного использования.

Поэтому компания Алютех дает воротам  гарантию на 100 тысяч пропускных циклов ProPlus. А система управления таким воротами выстраивается как в ручном режиме, так и с помощью автоматики.

Качество ворот из серии Alutech ProPlus соответствует всем директивами, регламентирующими безопасность продукции, выпускаемой в пределах Евросоюза. Причем это соответствие имеет документальное подтверждение. Поэтому серия Alutech ProPlus заслужила права на маркировку литерами «СЕ».

Словом, у Алютех получилась очень интересная серия промышленных ворот секционного типа. Поэтому с ней стоит познакомиться поближе, что мы предлагаем сделать в формате данной статьи.

Панели ворот Alutech ProPlus

Створка ворот Alutech ProPlus набирается из сэндвич-панелей, состоящих из стального корпуса (прокатный лист толщиной до 0,4 миллиметров) и внутреннего теплоизолятора (вспененный полиуретан толщиной до 45 миллиметров).

 

Такая панель обеспечивает теплостойкость кирпичной стены, толщина которой доходит  до 60 сантиметров! Причем на стальные листы напыляют специальный полиуретан, не содержащий вредных компонентов, разрушающих озоновый слой.

А при сборке створки стальной профиль панелей соединяется в пазо-гребневый замок, позволяющий устоять даже под ветровой нагрузкой, генерирующей давление в 700 Паскалей. По нормам Евросоюза такая сопротивляемость соответствует 4 классу.

Коррозионную защиту обеспечивает двухслойное покрытие – до 16 мкм цинка и 25 мкм полимера (полиуретана с ПУР-ПА гранулами полиамида). Поэтому ворота ProPlus абсолютно инертны к влаге.

Крепление сегментов полотна ворот ProPlus реализуется особым способом, запатентованным компанией Alutech. Причем все петли фиксирующего механизма проходят проверку на прочность прямо на заводе. И каждая петля способна выдержать нагрузку в 7000 Ньютонов.

Лицевая сторона панелей ворот Alutech ProPlus оформлена либо в виде гофрированного профиля, с поперечными полосками, либо в виде профиля с «микроволной». Причем первый вариант текстуры панели ворот Alutech ProPlus выглядит очень презентабельно, вписываясь в стилистику любого современного фасада, а второй вариант позволяет нивелировать следы эксплуатации ворот. Ведь «микроволна» поможет скрыть не только сколы покрытия, но и более серьезные дефекты — вмятины и прочее.

Окрас панелей Alutech ProPlus соответствует гамме RAL. Причем в качестве ординарного решения, не требующего доплаты, покупателям предлагают 9 колеров.

Монтаж ворот Alutech ProPlus

Процесс монтажа сегментных ворот предполагает крепление на опорные поверхности направляющих (по которым движутся панели) и установку валов с пружинами, удерживающих полотно от обрушения.

Причем схемы процесса монтажа разняться. Ведь направляющую можно уложить и вертикально, и горизонтально. А валы монтируют как на краю направляющих, так и на их сгибе (при переходе от вертикальной плоскости в горизонталь).

В итоге, серия ворот Alutech ProPlus монтируется десятью различными способами. Причем к самым популярным схемам установки ворот относятся следующие варианты:

  • Стандартная схема, когда направляющая переходит от вертикали в горизонталь под прямым углом (с округлением на сгибе), а валы монтируют над полотном опущенных ворот. Причем эта деталь может находиться как на «сгибе», так и между вертикальными направляющими (актуально при высоком потолке в помещении).
  • Вертикальная схема, когда горизонтальной направляющей просто нет, и ворота работаю по принципу гильотины, двигаясь лишь по вертикальным направляющим. Вал с пружинами в данном случае расположен за верхним торцом направляющих.
  • Наклонная схема, когда вертикальный участок направляющих переходит не в горизонтальный, а в наклонный участок, загнутый под тупым или острым углом. Причем последний вариант размещение направляющих актуален в помещениях с низкой притолокой (расстоянием от верхнего края проема до потолка). Вал с пружинами в данном случае может располагаться  и над полотном, и на сгибе направляющих, и за краем горизонтального участка.

В указанные схемы монтажа можно вложить все 10 вариантов установки ворот Alutech ProPlus. Ведь они разнятся лишь мелкими нюансами, а основные отличия мы уже обозначили в вышеописанном перечне.

Механика ворот  Alutech ProPlus

Механическая часть ворот Alutech ProPlus рассчитана на 100 тысяч пропускных циклов. Причем процесс подъема и опускания промышленных ворот реализуется как с помощью электрифицированного привода, так и вручную. Поскольку вес достаточно крупной створки Alutech ProPlus не превышает и 600 килограмм. Поэтому для открытия ворот из этой серии нужно лишь небольшое физическое усилие (не более 260 ньютонов).

Ну а безопасность тяглового усилия, производящего подъем ворот, гарантируется стальными тросами, удерживающими всю конструкцию. Причем у этих тросов шестикратный запас прочности!

Валы ворот, в свою очередь, соединяются с помощью регулируемой муфты, с помощью которой обеспечивается равномерное натяжение тросов. А в конструкцию торсиона, даже в стандартной комплектации, входит храповая муфта, препятствующая падению полотна.

Преимущества ворот Alutech ProPlus

Преимущества ворот Alutech ProPlus перед конкурирующими решениями несомненны. Ведь изделия компании «Алютех» обладают следующими достоинствами:

  • Высокой прочностью, обусловленной как стойкостью петель (единичный шарнир выдерживает нагрузку до 715 килограмм), так и плотностью панели – пенополиуретановый наполнитель имеет максимальную плотность (около 47 килограмм на кубометр). Причем на панелях ProPlus монтируют двойные роликовые кронштейны. А концевую часть, соприкасающуюся с полом, усиливают особо.
  • Практически абсолютной стойкостью к коррозийным процессам, обусловленной двойным металло-полимерным напылением на стальной каркас панели. Причем ворота для автомоек и прочих помещений с прогнозируемо высокой влажностью комплектуются механикой из нержавеющей стали.  Поэтому ворота Alutech ProPlus будут служить очень долго даже в приморских районах, для которых характерны  не только  высокая влажность, но и соляные туманы.
  • Высокой безопасностью конструкции. Торсионы ворот Alutech ProPlus рассчитаны на 100 000 пропускных циклов и могут удержать ворота в открытом положении даже в случае выхода из строя пружины. А роликовые кронштейны в концевой панели просто не дают полотну сместиться в «несанкционированном» направлении. Кроме того Alutech ProPlus имеет официально подтвержденный сертификат безопасности Евросоюза EN 12604 и ЕN 12453.
  • Высокой теплостойкостью. Панель имеет очень низкий коэффициент теплопроводности –сопротивление передачи тепла составляет 1,65 м2 °C/Bт. То есть, относительно тонкие 4,5-сантиметровые ворота по тепловой стойкости равны кирпичной кладке толщиной до 50 сантиметров.

Кроме того, за отдельную плату ворота Alutech ProPlus можно доукомплектовать калиткой, окнами, вентиляционными (приточными) каналами и системой внешнего запирания. Соловом, ProPlus – это современные ворота от идущей в ногу со временем компании Alutech, которые способны удовлетворить запросы даже самого придирчивого потребителя.

отзывы, фото и характеристики на Aredi.ru

1.​​Ищите по ключевым словам, уточняйте по каталогу слева

Допустим, вы хотите найти фару для AUDI, но поисковик выдает много результатов, тогда нужно будет в поисковую строку ввести точную марку автомобиля, потом в списке категорий, который находится слева, выберите новую категорию (Автозапчасти — Запчасти для легковых авто – Освещение- Фары передние фары). После, из предъявленного списка нужно выбрать нужный лот.

2. Сократите запрос

Например, вам понадобилось найти переднее правое крыло на KIA Sportage 2015 года, не пишите в поисковой строке полное наименование, а напишите крыло KIA Sportage 15 . Поисковая система скажет «спасибо» за короткий четкий вопрос, который можно редактировать с учетом выданных поисковиком результатов.

3. Используйте аналогичные сочетания слов и синонимы

Система сможет не понять какое-либо сочетание слов и перевести его неправильно. Например, у запроса «стол для компьютера» более 700 лотов, тогда как у запроса «компьютерный стол» всего 10.

4. Не допускайте ошибок в названиях, используйте​​всегда​​оригинальное наименование​​продукта

Если вы, например, ищете стекло на ваш смартфон, нужно забивать «стекло на xiaomi redmi 4 pro», а не «стекло на сяоми редми 4 про».

5. Сокращения и аббревиатуры пишите по-английски

Если приводить пример, то словосочетание «ступица бмв е65» выдаст отсутствие результатов из-за того, что в e65 буква е русская. Система этого не понимает. Чтобы автоматика распознала ваш запрос, нужно ввести то же самое, но на английском — «ступица BMW e65».

6. Мало результатов? Ищите не только в названии объявления, но и в описании!

Не все продавцы пишут в названии объявления нужные параметры для поиска, поэтому воспользуйтесь функцией поиска в описании объявления! Например, вы ищите турбину и знаете ее номер «711006-9004S», вставьте в поисковую строку номер, выберете галочкой “искать в описании” — система выдаст намного больше результатов!

7. Смело ищите на польском, если знаете название нужной вещи на этом языке

Вы также можете попробовать использовать Яндекс или Google переводчики для этих целей. Помните, что если возникли неразрешимые проблемы с поиском, вы всегда можете обратиться к нам за помощью.

Секционные ворота Hoermann (Херман) в Ярославле, цены на ворота

Ворота вашей мечты

Мы предлагаем Вам широкий спектр элегантных секционных ворот Hörmann с приводами, которые открываются вертикально со следованием по потолку. Таким образом, Вы выигрываете место внутри и перед гаражом, а весь проем гаража остается свободным. Секционные ворота подходят для любых проемов: квадратных или скошенных, с сегментной или полукруглой аркой. Поэтому, эти ворота идеально подходят для проведения реконструкций и модернизаций.

Скачать каталог

Преимущества очевидны

Система дистанционного управления BiSecur для приводов гаражных и въездных ворот, отличающаяся надежной кодировкой и подачей сигнала с обратной связью, представляет собой технологию будущего и служит для комфортного и надежного управления гаражными воротами, въездными воротами, освещением и др. Благодаря новой сверхнадежной системе кодировки BiSecur со стабильным радиусом действия без помех Вы можете быть уверены в том, что никто не сможет скопировать Ваш радиосигнал.

Качество из Германии

Все компоненты ворот и приводов компании Hörmann разрабатываются и производятся на собственных высокоспециализированных заводах, они идеально согласованы друг с другом и для Вашей безопасности испытаны и сертифицированы специальными независимыми институтами и организациями. Они изготавливаются в Германии в соответствии с системой управления качеством по DIN ISO 9001 и отвечают всем требованиям европейского стандарта 13241-1.

Ворота на долгие годы

Длительные испытания изделий в реальных условиях гарантируют безупречное качество серийной продукции в соответствии с высокими стандартами компании Hörmann. Ввиду этого, а также благодаря выдающимся техническим решениям и бескомпромиссному качеству компания Hörmann предоставляет Вам 10-летнюю гарантию на все секционные ворота и 5-летнюю гарантию на приводы.*

Широкий выбор текстур

Устойчивое к воздействию ультрафиолетовых лучей синтетическое пленочное покрытие с внешней стороны стальных секций точно передает натуральную структуру древесины и элегантную поверхность Metallic цвета антрацита. 6 вариантов исполнения поверхности Decograin дольше сохраняют привлекательный внешний вид благодаря специальной защите поверхности.

Больше безопасности

Автоматические секционные ворота Hörmann не оставляют непрошеным гостям никаких шансов. При закрывании гаражных ворот предохранительное устройство защиты от подваживания автоматически входит в упор направляющей шины, мгновенно фиксируется и обеспечивает защиту от подваживания. Эта запатентованная система запирания ворот является механической и поэтому, в отличие от приводов конкурентных фирм, эффективно работает даже в условиях отсутствия электроснабжения.

Надежная теплоизоляция

Если гараж является частью дома, мы всегда рекомендуем гаражные ворота с хорошей теплоизоляцией. Благодаря уплотнению направляющей ThermoFrame от Hörmann возможно улучшить и без того хорошие показатели теплоизоляции ворот LPU. Пластмассовый профиль черного цвета, который легко устанавливается вместе с направляющими ворот, обеспечивает термическое разделение между рамой направляющих и кирпичной стеной, и улучшает тем самым теплоизоляцию на 15 %*. В качестве опции Вы можете заказать уплотнительную прокладку ThermoFrame для всех секционных ворот Hörmann.

Мобильное приложение

С помощью нашего нового приложения (App) в сочетании со шлюзом BiSecur Gateway Вы можете комфортно управлять на смартфоне или планшетном компьютере Вашими приводами гаражных и въездных ворот Hörmann, а также Вашей входной дверью Hörmann и другими устройствами.

Элегантный дизайн

Гаражные ворота Hörmann отличаются строго равномерным распределением гофров. Секции имеют такую форму, что при закрытых воротах переходы между ними практически незаметны. По желанию Вы можете заказать практичные боковые двери с гофрами, которые будут выполнены на одной линии с гофрами гаражных секционных ворот.

Реальные решения

Для обеспечения простого прохода в гараж рекомендуется калитка без порога. Так Вы сможете, не открывая ворота гаража, выкатить велосипед или взять садовый инвентарь.  Порог из нержавеющей стали имеет высоту посередине 10 мм и по краям – 5 мм. Это облегчает выкатывание и сокращает риск спотыкания.

Удобный пульт

Эксклюзивные пульты ДУ BiSecur подкупают не только своим дизайном черного и белого цвета, но и элегантной формой, благодаря которой они удобно лежат в руке. Пульты ДУ BiSecur Hörmann с лакированной поверхностью под рояльный лак (опция) за свой эксклюзивный дизайн получили авторитетную награду «reddot design award».

Напишите нам и получите индивидуальное коммерческое предложение

ХОЧУ ВОРОТА!

Гаражные секционные ворота Hermann

Элегантные секционные ворота с приводом открываются вертикально со следованием по потолку. Таким образом, Вы выигрываете место внутри и перед гаражом, а весь проем гаража остается свободным.

Секционные ворота подходят для любых проемов: квадратных или скошенных, с сегментной или полукруглой аркой. Поэтому, эти ворота идеально подходят для проведения реконструкций и модернизаций.

Веские аргументы в пользу гаражных секционных ворот Hörmann

  • Все компоненты ворот и приводов компании Hörmann разрабатываются и производятся на собственных высокоспециализированных заводах, они идеально согласованы друг с другом и для Вашей безопасности испытаны и сертифицированы специальными независимыми институтами и организациями. Они изготавливаются в Германии в соответствии с системой управления качеством по DIN ISO 9001 и отвечают всем требованиям европейского стандарта 13241-1. Наряду с этим, над созданием новых изделий и совершенствованием выпускаемой продукции интенсивно работают высококвалифицированные сотрудники. Результатом являются патенты и уникальная продукция на рынке.
  • Гаражные ворота на долгие годы. Длительные испытания изделий в реальных условиях гарантируют безупречное качество серийной продукции в соответствии с высокими стандартами компании Hörmann. Ввиду этого, а также благодаря выдающимся техническим решениям и бескомпромиссному качеству компания Hörmann предоставляет Вам 10-летнюю гарантию на все секционные ворота и 5-летнюю гарантию на приводы. Подробные условия гарантии Вы найдете на сайте: www.hoermann.com
  • Думая о будущем. Компания Hörmann подает хороший пример. Начиная с 2013 года, предприятие покрывает свое потребление энергии на 40 % из экологически чистой электроэнергии и намерено наращивать эти показатели. Вместе с этим, за счет введения «умной» и сертифицированной системы управления энергией ежегодно экономятся тонны CO2. И не в последнюю очередь компания Hörmann предлагает изделия для экологического строительства. Узнайте больше о экологической деятельности компании Hörmann в проспекте «Hörmann и экология».
  • Гармоничное общее впечатление

[1] Одинаковые расстояния между гофрами и незаметные переходы между секциями для ворот с гофрами. Гаражные ворота Hörmann отличаются строго равномерным распределением гофров [A]. Секции имеют такую форму, что при закрытых воротах переходы между ними практически незаметны. По желанию Вы можете заказать практичные боковые двери с гофрами, которые будут выполнены на одной линии с гофрами гаражных секционных ворот.

[2] Неравномерное распределение гофров [B], [C] вследствие различной высоты секций и четких межсекционных переходов создает негармоничный внешний вид ворот других производителей.

[3] Равномерное распределение кассет. Для общего гармоничного вида компания Hörmann предлагает секционные ворота, у которых расстояния между отдельными кассетами [D] по высоте абсолютно одинаковые. Высота секций равномерно распределена по всей высоте ворот. Также горизонтальные расстояния между кассетами в секции сохраняются равномерными. Благодаря этому создается гармоничный внешний вид ворот. По желанию можно также заказать боковые двери с равномерным распределением секций одинакового внешнего вида с гаражными секционными воротами.

[4] Неравномерное расстояние между кассетами [E], [F] за счет разной высоты секций на воротах других производителей создает негармоничный внешний вид

 

  • Одинаковый внешний вид направляющей и полотна ворот

 

 

Гармоничный внешний вид ворот создается благодаря множеству мельчайших деталей: компенсирующая фальшпанель в зоне перемычки [1] поставляется для белых ворот и во всех вариантах исполнения поверхностей всегда одинакового внешнего вида с секциями ворот. У Hörmann все компоненты подходят друг другу. Боковые направляющие [2] поставляются серийно с отделкой поверхности Woodgrain белого цвета. Для секционных ворот с поверхностями Sandgrain, Silkgrain или Decograin предлагаются дополнительно облицовки направляющих с поверхностью секции ворот. Для ворот с поверхностью Micrograin облицовка направляющей поставляется с гладкой поверхностью Silkgrain. Для секционных ворот с цветным покрытием и для ворот с отделкой поверхности Decograin дополнительно поставляется облицовка направляющих [2] , подходящая к секциям ворот по поверхности, цвету и декоративной отделке. Компенсирующая фальшпанель в зоне перемычки [1] данных ворот всегда имеет такую же поверхность, цвет и декоративную отделку, как и секции ворот.

 

  • Компенсирующая фальшпанель перемычки, устанавливаемая заподлиц.

 

 

Для ворот LPU установленная заподлицо компенсирующая фальшпанель в зоне перемычки является элегантным решением с невидимым переходом между фальшпанелью и полотном. При закрывании ворот верхняя секция пристыковывается заподлицо с фальшпанелью.

 

  • Отделка Decograin с точным воспроизведением текстуры поверхности

 

 

 

 

Устойчивое к воздействию ультрафиолетовых лучей синтетическое пленочное покрытие с внешней стороны стальных секций точно передает натуральную структуру древесины и элегантную поверхность Metallic цвета антрацита. 6 вариантов исполнения поверхности Decograin дольше сохраняют привлекательный внешний вид благодаря специальной защите поверхности.

 

  • Оптимальная защита на долгие годы

 

 

Антикоррозийное пластмассовое основание направляющих высотой 4 см обеспечивает надежную защиту ворот в условиях длительной сырости. Подобной системы защиты основания направляющих от коррозии у конкурентов нет. Вместе с напольным уплотнением ворот основание направляющих создает удачное завершение, в том числе и внешне

 

  • Эффективная теплоизоляция

 

 

Если гараж является частью дома, мы всегда рекомендуем гаражные ворота с хорошей теплоизоляцией. Благодаря уплотнению направляющей ThermoFrame от Hörmann возможно улучшить и без того хорошие показатели теплоизоляции ворот LPU. Пластмассовый профиль черного цвета, который легко устанавливается вместе с направляющими ворот, обеспечивает термическое разделение между рамой направляющих и кирпичной стеной, и улучшает тем самым теплоизоляцию на 15 %*. В качестве опции Вы можете заказать уплотнительную прокладку ThermoFrame для всех секционных ворот Hörmann.

* Для двустенных гаражных секционных ворот LPU размером 5000 × 2125 м

 

  • Технические решения для реальных условий
Для обеспечения простого прохода в гараж рекомендуется калитка без порога. Так Вы сможете, не открывая ворота гаража, выкатить велосипед или взять садовый инвентарь. Порог из нержавеющей стали имеет высоту посередине 10 мм и по краям – 5 мм. Это облегчает выкатывание и сокращает риск спотыкания

 

  •  Значительно больше безопасности

 

 

Автоматические секционные ворота Hörmann не оставляют непрошеным гостям никаких шансов. При закрывании гаражных ворот предохранительное устройство защиты от подваживания автоматически входит в упор направляющей шины, мгновенно фиксируется и обеспечивает защиту от подваживания. Эта запатентованная система запирания ворот является механической и поэтому, в отличие от приводов конкурентных фирм, эффективно работает даже в условиях отсутствия электроснабжения.

 

  • Система дистанционного управления BiSecur с сертифицированной надежностью

 

Система дистанционного управления BiSecur для приводов гаражных и въездных ворот, отличающаяся надежной кодировкой и подачей сигнала с обратной связью, представляет собой технологию будущего и служит для комфортного и надежного управления гаражными воротами, въездными воротами, освещением и др. Благодаря новой сверхнадежной системе кодировки BiSecur со стабильным радиусом действия без помех Вы можете быть уверены в том, что никто не сможет скопировать Ваш радиосигнал. Данная технология испытана и сертифицирована специалистами по безопасности Рурского университета г. Бохума, она не уступает по надежности системам банковских платежей через Интернет

 

  • Удобная функция запроса положения ворот

 

Вам больше не нужно выходить из дома в непогоду, чтобы проверить, закрыты ли Ваши ворота. Нажав один раз на клавишу, Вы по цвету светодиода на пульте HS 5 BS узнаете, закрыты ли Ваши гаражные ворота. При необходимости, Вы можете закрыть ворота повторным нажатием на клавишу*. Еще более удобно и надежно управлять воротами просто невозможно! С помощью нашего нового приложения (App)** в сочетании со шлюзом BiSecur Gateway Вы можете комфортно управлять на смартфоне или планшетном компьютере Вашими приводами гаражных и въездных ворот Hörmann, а также Вашей входной дверью*** Hörmann и другими устройствами.

* Для управления без возможности наблюдения за воротами необходим дополнительный световой барьер.

** Для операционных систем iOS и Android

*** Со специальным оснащением

 

  • Элегантный дизайн

 

 

Эксклюзивные пульты ДУ BiSecur подкупают не только своим дизайном черного и белого цвета, но и элегантной формой, благодаря которой они удобно лежат в руке.Пульты ДУ BiSecur Hörmann с лакированной поверхностью под рояльный лак (опция) за свой эксклюзивный дизайн получили авторитетную награду «reddot design award»

Секционные подъемные гаражные ворота Alutech ( Алютех ), DoorHan ( Дорхан), Hormann ( Херман ).

Описание Гаражные ворота Alutech, DoorHan, Hormann

Гаражные ворота секционного типа – самый распространенный вариант ворот для гаражей.

Простота и удобство – их отличительная особенность. Для монтажа ворот не требуется большого пространства, а конструкция позволяет открыть ворота, даже если автомобиль находится непосредственно перед ними. Высокая степень безопасности -конструкция секционных гаражных ворот обеспечивает защиту от  защемления пальцев, зацепа и пореза, неконтролируемого движения, падения полотна ворот.

Полотно ворот состоит из соединенные петлями секций – сендвич-панелей, движение которых осуществляется по направляющим шинам, прикрепленным к краям проема и Г-образно заведенным под перекрытие объекта (гаража). При открывании гаражных ворот панели последовательно размещаются в пространстве под потолком. Монтаж за проемом делает въезд и выезд удобным и безопасным. Составляющие полотно сендвич-панели (секции) изготавливаются из оцинкованной стали с полимерным покрытием, обеспечивающих защиту от атмосферных воздействий и механических повреждений.  Промежуток между секциями заполнен экологически чистым пенополиуретаном  высокой плотности, который обладает высокими тепло- и звукоизоляционными свойствами. Каждая панель имеет специальный уплотнитель, который исключает появление зазоров и дает дополнительную теплоизоляцию ворот. Приведенное сопротивление теплопередаче панели составляет 1,65 м2 °C/Bт

Примыкание нижней панели к полу гаража,

 

Примыкание панелей к стене сбоку

 

Смыкание панелей друг с другом

 

Примыкание верхней панели к притолоке.  

 

 

Варианты рисунков (горизонтальный гофр, микроволна, филенка) и цветов панелей позволяют  секционным воротам «вписаться» в любой дизайн.

микроволна, филенка, гофр дуб светлый, дуб темный, вишня

 

Возможна покраска панелей в любой цвет по RAL-карте (используемая краска — «Тиккурила», используется технология покраски соответственно рекомендациям поставщика, грунтование — 1 слой, нанесение пигментированного красителя — 2 слоя).

Гаражные ворота «Алютех» — это отличная защита помещения и находящегося в нем имущества не только от атмосферных воздействий, но и от посторонних лиц. Ворота экономят пространство внутри гаража, цеха (или другого объекта), есть защита от падения полотна.

Гаражные ворота секционного типа — долговременная надежная эксплуатация. Срок работы составляет примерно 10 лет при ежедневном использовании. После этого срока достаточно лишь заменить пружину). 

При желании вы можете дополнительно заказать установку внутреннего засова либо специального ригельного замока, для возможности открывать ворота и снаружи.

Гаражные ворота DoorHan – еще один из наиболее известных и популярных представителей автоматических ворот. Продукция выпускается и для бытового, и для промышленного применения. Высококачественные и надежные гаражные секционные ворота – хит продаж на протяжении многих лет. Они герметичны за счет специальной системы уплотнителей и имеют тепло- и звукоизоляцию, оснащены системами безопасности эксплуатации. Срок службы при правильной эксплуатации значителен – как минимум 10 лет надежной стабильной работы. Производитель также известен своими доступными и простыми в установке и настройке потолочными приводами Doorhan Sectional для секционных ворот. Автоматические гаражные  секционные ворота Hörmann – высокое качество и надежная стабильная работа. Секционные воротаполезное пространство. Это обеспечивает максимум пространства для парковки внутри и перед гаражом. Форма гаражного проема не имеет значения, такие ворота подходят для любых проемов: квадратных или скошенных, с сегментной или полукруглой аркой. Открываются вертикально под потолок, экономя

Ворота Hörmann имеют прочное уплотнение по всему периметру – это обеспечивает герметичность, дает надежную защиту от ветра и дождя. 

Стандартный комплект гаражных ворот включает:

— полотно ворот в сборе (в т.ч. петли и боковые кронштейны из нержавеющей стали, уплотнительные вставки, ходовые ролики с подшипниками качения),

— комплект направляющих  для стандартного типа монтажа,

— окрашенные в заводских условиях боковые накладки,

— торсионный вал с двумя окрашенными в заводских условиях торсионными пружинами (ресурс до 25 000 циклов),

—  пружинный засов,

— двустороннюю ручку и канат для опускания полотна ворот,

—  устройства блокировки вала при поломке пружин.

Характеристики проёма для установки гаражных секционных ворот :

 

— ширина до 7800 мм;

— высота до 6000 мм;

— расстояние от верха проёма до потолка помещения (притолока) не менее 180 мм;

— расстояния по бокам проёма внутри помещения не менее 150 мм

 

 

LDB — ширина проема;
RM — высота проема;
SL — ширина простенка — min 150 мм;
SR — ширина простенка — min 150 мм;
H — высота притолоки — min 180 мм;
ET — глубина гаража

По всему периметру ворот и в стыках между панелями идет резиновый уплотнитель. Поэтому имеет место  хорошая теплозащита даже в северных климатических условиях. Для дополнительной освещенности гаража в секции ворот могут быть установлены окна различных типоразмеров. Также можно сделать встроенную калитку из таких же панелей для отдельного входа. Гаражные ворота секционного типа сбалансированы пружинной торсионной системой, что позволяет легко открывать их как рукой, так и автоматикой. 
Вы можете подобрать и приобрести автоматику для гаражных ворот Came, приводы ворот Nice, пульты Came Nice брелки, аксессуары в соответствующих разделах.

 

границ | Улучшение сегментации опухоли на КТ-изображениях за счет глубокого наблюдения и контроля внимания

1. Введение

Ежедневная работа рентгенолога заключается в визуальном анализе множества анатомических структур на медицинских изображениях. Незначительные изменения в размере, форме или структуре могут быть признаком заболевания и могут помочь подтвердить или опровергнуть конкретный диагноз. Однако ручные измерения требуют много времени и могут привести к межоператорской и внутриоператорской изменчивости (Sharma and Aggarwal, 2010; Jimenez-del-Toro et al., 2016). В то же время количество данных, получаемых с помощью компьютерной томографии (КТ) и магнитного резонанса (МР), постоянно растет (Sharma and Aggarwal, 2010). В результате растет интерес к надежным автоматическим системам, которые помогают специалистам-радиологам в клинической диагностике и планировании лечения. Одним из таких вспомогательных средств для экспертов является сегментация медицинских изображений, которая состоит из воксельной аннотации целевых структур на изображении и присутствует во многих недавних исследованиях. Ежегодные конкурсы медицинских изображений позволяют экспертам в области компьютерного зрения и машинного обучения получать доступ и оценивать данные медицинских изображений (Jimenez-del-Toro et al., 2016).

Методы глубокого обучения, особенно сверточные нейронные сети (CNN), стали передовыми для сегментации медицинских изображений. Полностью сверточные сети (FCN) (Long et al., 2015) и U-Net (Ronneberger et al., 2015) являются двумя наиболее часто используемыми архитектурами. Область их применения включает анатомическую сегментацию сердца на КТ (Zreik et al., 2016), обнаружение легочных узлов на КТ грудной клетки (Hamidian et al., 2017), мультиорганную сегментацию на КТ и МРТ-изображениях брюшной полости (Jimenez- дель-Торо и др., 2016), а также прогнозирование исхода ишемического инсульта на основе мультиспектральной МРТ (Winzeck et al., 2018).

Несмотря на успех глубоких методов CNN, существуют трудности, присущие их применению. Во-первых, для успешного обучения глубоких моделей CNN необходимы большие наборы данных. В медицинской визуализации это может быть проблематично из-за стоимости приобретения, методов анонимизации данных и т. д. Во-вторых, данные объемного медицинского изображения требуют огромных вычислительных ресурсов, даже при использовании графических вычислительных блоков (GPU) процесс обучения занимает очень много времени.Поэтому каждое новое предложение должно учитывать не только производительность, но и вычислительную нагрузку.

Современная клиническая абдоминальная диагностика на основе КТ опирается на комплексный анализ групп органов и количественные измерения объемов, форм и др., которые обычно являются индикаторами нарушений. Компьютерная диагностика и анализ медицинских изображений традиционно фокусируются на приложениях, основанных на органах или заболеваниях, т., 2016; Ху и др., 2017; Gibson et al., 2018), или сегментация опухоли в печени (Linguraru et al., 2012), поджелудочной железе (Isensee et al., 2018) или почке (Yang et al., 2018).

При автоматической сегментации органов брюшной полости по КТ-изображениям возникают две серьезные проблемы (Hu et al., 2017). Одна из таких проблем заключается в том, как автоматически определить местонахождение анатомических структур на целевом изображении, поскольку разные органы расположены близко друг к другу и могут перекрываться. Более того, среди отдельных больных существуют значительные различия в расположении, форме и размерах органов.Кроме того, органы брюшной полости обычно представлены вокселями такой же интенсивности, как и окружающие ткани на КТ-изображениях. Другая проблема заключается в определении нечетких границ между соседними органами и окружающими их мягкими тканями.

Задача выявления раковой ткани в органе брюшной полости еще более сложна из-за большой вариабельности опухолей по размерам, положению и морфологическому строению. Результаты весьма впечатляющие, когда основное внимание уделяется обнаружению органов; пример этого (Isensee et al., 2018), получив 95,43 и 79,30 баллов за сегментацию печени и поджелудочной железы. С другой стороны, эти значения резко падают, когда основное внимание уделяется обнаружению опухоли, где значения составляют всего 61,82 и 52,12 для соответствующих классов опухолей (печени и поджелудочной железы). Существует также высокая вариабельность классификации опухолей в зависимости от органа, например, Yang et al. (2018) представляет результаты игры в кости 93,1 и 80,2, когда органом является почка и обнаружена опухоль, соответственно.

С другой стороны, все органы имеют типичную форму, строение и взаимное расположение в брюшной полости.Затем модель может извлечь выгоду из механизма внимания, объединенного в сетевой архитектуре, который может помочь сосредоточиться конкретно на интересующем органе. Для этой цели мы включили идею ворот внимания (AG) (Oktay et al., 2018). Ворота внимания идентифицируют значимые области изображения и обрезают ответы функций, чтобы сохранить только активацию, относящуюся к конкретной задаче, и подавить ответы функций в нерелевантных фоновых областях без необходимости обрезать интересующую область.

Многие исследовательские работы привлекли внимание к искусственным визуальным моделям CNN для подписи к изображениям (Xu et al., 2015), классификации (Mnih et al., 2014; Xiao et al., 2015) и сегментации (Chen et al., 2016). ). В случае рекуррентных нейронных сетей (RNN) Ипсилантис и Монтана (2017) представляют модель RNN, которая учится последовательно выбирать все рентгеновское изображение и сосредотачиваться только на заметных областях. В этих моделях внимание можно разделить на две категории: жесткое и мягкое внимание.Как описано Xu et al. (2015), жесткое внимание — это когда оценки внимания используются для выбора одного скрытого состояния, например, итеративного предложения области и обрезки. Такой механизм внимания часто недифференцируем и зависит от обучения с подкреплением для обновления значений параметров, что делает обучение довольно сложным. С другой стороны, мягкое внимание вычисляет вектор контекста как взвешенную сумму скрытых состояний кодировщика (векторов признаков). Таким образом, мягкое внимание дифференцируемо, и вся модель поддается обучению с помощью обратного распространения.Модули внимания, которые генерируют функции с учетом внимания, представленные Wang et al. (2017) была самой современной производительностью распознавания объектов в ImageNet в 2017 году. Huang et al. (2019) представляет сеть Criss-Cross Network (CCNet) с модулем перекрестного внимания и достигает самых современных результатов в баллах MIOU 81,4 и 45,22 на тестовом наборе Cityscapes и проверочном наборе ADE20K соответственно. Гревал и др. (2018) сочетает глубокую архитектуру CNN с компонентами внимания для прогнозов на уровне срезов и достигает 81.Точность прогнозирования кровотечения по данным 3D-КТ составляет 82 %, что соответствует показателям рентгенолога-человека. Другая усиленная сверточная нейронная сеть с вниманием и глубоким наблюдением (DAB-CNN) (Kearney et al., 2019) достигает самых современных результатов в автоматической сегментации простаты, прямой кишки и луковицы полового члена.

Глубокая супервизия впервые была предложена Lee et al. (2015) как способ решения проблемы исчезающего градиента при обучении более глубокой CNN для классификации изображений.Этот метод добавляет сопутствующие целевые функции на каждом скрытом слое в дополнение к общей целевой функции на выходном слое. Такая модель может изучить надежные функции даже на ранних уровнях; кроме того, глубокий контроль дает некоторое представление о влиянии промежуточных слоев на общую производительность модели. С тех пор глубокая супервизия успешно применялась во многих моделях зрения. В медицинских целях он применялся для сегментации простаты (Zhu et al., 2017), сегментации печени (Dou et al., 2016) и кисты поджелудочной железы (Zhou et al., 2017) в объемах КТ, а также сегментации опухоли головного мозга с помощью магнитно-резонансной томографии (Isensee et al., 2017).

В настоящей работе мы предлагаем методологию для более надежной сегментации органов и опухолей по данным компьютерной томографии. Вклад этой работы тройной:

• Методология, обеспечивающая самые современные результаты в нескольких задачах сегментации, связанных с сегментацией органов и опухолей. Особый интерес представляет повышение точности сегментации опухолей.

• Визуализация карт характеристик нашей архитектуры CNN, чтобы дать некоторое представление о том, что находится в центре внимания в различных частях модели для лучшего обнаружения опухолей.

• В-третьих, и не в последнюю очередь, мы предлагаем новое и расширенное сравнение архитектур CNN для различных сегментаций органов и опухолей на КТ брюшной полости.

2. Методология

В этом разделе мы предоставим подробную информацию о предлагаемой методологии. Во-первых, мы объясним предварительную обработку и нормализацию данных медицинского изображения.Во-вторых, мы предоставим подробное описание архитектуры модели, шлюзов внимания и уровней глубокого наблюдения. Функция потерь, оптимизатор и другие интересующие особенности подробно описаны в следующем подразделе, в котором также описываются методы выборки исправлений и увеличения данных, используемые для предотвращения переобучения. Последняя часть кратко описывает вывод и то, как патчи изображения снова сшиваются вместе. Мы предоставляем общедоступную реализацию нашей методологии с использованием PyTorch по адресу: github.com/tureckova/Abdomen-CT-Image-Segmentation.

2.1. Предварительная обработка данных

КТ могут быть получены разными сканерами в разных медицинских клиниках с неидентичными протоколами сбора данных; поэтому этап предварительной обработки данных имеет решающее значение для нормализации данных таким образом, чтобы сверточная сеть могла правильно изучить подходящие и значимые функции. Мы предварительно обрабатываем изображения компьютерной томографии следующим образом (Isensee et al., 2018):

• Все пациенты передискретизируются в соответствии со средним расстоянием между вокселами набора данных с использованием сплайн-интерполяции третьего порядка для данных изображения и интерполяции ближайшего соседа для маски сегментации.

• Набор данных нормализуется путем отсечения до [0,5, 99,5] процентилей значений интенсивности, встречающихся в масках сегментации.

• Нормализация Z-оценки применяется на основе среднего значения и стандартного отклонения всех значений интенсивности, встречающихся в масках сегментации.

Из-за ограничений памяти модель обучалась на фрагментах 3D-изображения. Все модели обучались на графическом процессоре 11 ГБ. Базовая конфигурация с размером входного патча 128 × 128 × 128 и размером пакета 2 была выбрана в соответствии с нашей аппаратной настройкой.Затем модель автоматически адаптирует эти параметры, чтобы они отражали средний размер изображения для каждого набора данных. Мы рассматриваем два разных подхода:

Полное разрешение — для обучения используются исходные разрешения изображений, а в процессе обучения случайным образом выбираются относительно небольшие 3D-патчи. Таким образом, сеть имеет доступ к деталям с высоким разрешением; с другой стороны, он игнорирует контекстную информацию.

Низкое разрешение — изображение пациента уменьшается в два раза до тех пор, пока медианная форма передискретизированных данных не будет иметь менее чем в четыре раза больше вокселов, которые могут быть обработаны в качестве входного патча.3D-патчи также выбираются случайным образом во время обучения. В этом случае модель имеет больше информации о контексте, но не имеет деталей с высоким разрешением.

2.2. Архитектура модели

Методы глубокого обучения, особенно сверточные нейронные сети, в настоящее время представляют основной интерес для исследований в области сегментации медицинских изображений и превосходят большинство методов. Очень популярная архитектура сверточной нейронной сети, используемая в медицинской визуализации, представляет собой структуру кодер-декодер с пропуском соединений на каждом уровне разрешения изображения.Основной принцип был впервые представлен Ronneberger et al. (2015) для сегментации 2D биомедицинских изображений; эта сеть получила название U-Net. U-Net традиционно использует максимальный пул для понижения частоты дискретизации изображения в части кодера и повышения частоты дискретизации в части декодера структуры. Работа Миллетари и др. (2016) расширили модель сегментации объемных медицинских изображений и заменили максимальное объединение и повышающую дискретизацию свертками, создав полностью сверточную нейронную сеть под названием V-Net. Первоначальная архитектура U-Net была быстро расширена до 3D, и с тех пор в литературе названия U-Net и V-Net используются как синонимы.В этой работе все модели работают с объемными данными, и мы решили сохранить оригинальные названия и отличия архитектур:

UNet — структура кодер-декодер с пропускными соединениями, использующими максимальное объединение для понижения частоты дискретизации изображения в части кодера и повышающей дискретизации в части декодера структуры.

VNet — полностью сверточная архитектура кодер-декодер с пропуском соединений.

Мы следуем вариантам архитектуры кодер-декодер, применяемым к каждому набору данных Isensee et al.(2018). Мы используем 30 карт объектов в самых высоких слоях (количество карт объектов удваивается с каждым понижением дискретизации) и уменьшаем изображение по каждой оси до тех пор, пока карты объектов не будут иметь размер 8 или максимум 5 раз. Часть кодировщика состоит из модулей контекста, а часть декодера состоит из модулей локализации. Каждый модуль содержит слой свертки, слой исключения, слой нормализации экземпляра и дырявыйReLU.

В дополнение к оригинальной сетевой архитектуре кодер-декодер мы добавляем шлюзы внимания (Oktay et al., 2018) на двух верхних уровнях модели и глубоком надзоре (Kayalibay et al., 2017). Оба расширения описаны в следующих двух подразделах. Структура предлагаемой сетевой архитектуры показана на рисунке 1.

Рисунок 1 . Блок-схема модели сегментации с воротами внимания и глубоким контролем.

2.2.1. Внимание Гейтс

Коэффициенты внимания, α i ∈ [0, 1] выделяют выделяющиеся области изображения и важные особенности, чтобы сохранить только релевантные активации, характерные для реальной задачи.i,cl=xi,cl·αi,cl    (1)

, где αi,cl — коэффициент внимания (полученный с помощью уравнения 3 ниже), а xi,cl — пиксель i в слое l для класса c . xi∈ℝFl, где F l соответствует количеству карт объектов в слое l . Поэтому каждый AG учится фокусироваться на подмножестве целевых структур. Структура ворот внимания показана на рисунке 2. Вектор стробирования g i используется для каждого пикселя i для определения областей фокусировки.Вектор стробирования содержит контекстную информацию для уменьшения откликов функций более низкого уровня. Гейт использует аддитивное внимание (2), сформулированное следующим образом (Oktay et al., 2018):

qattl=ψT(σ1(WxTxi,cl+WgTgi,c+bg))+bψ    (2) αi,cl=σ2(qattl(xi,cl,gi,c,Θatt)),    (3)

, где σ1(xi,cl)=max(0,xi,cl) – выпрямленная линейная единица. АГ характеризуется набором параметров Θ att , содержащим: линейные преобразования Wx∈ℝFl×Fint, Wg∈ℝFg×Fint, ψ∈ℝFint×1 и слагаемые смещения b ψ ∈ ℝ, bg∈ℝFint .σ2(xi,cl)=11+exp(-xi,cl) соответствует сигмовидной функции активации. Линейные преобразования вычисляются с использованием поканальных сверток 1 × 1 × 1 входных тензоров. Все параметры AG можно обучить с помощью стандартных обновлений обратного распространения.

Рисунок 2 . Блок-схема аддитивных ворот внимания (AG) (Oktay et al., 2018). Входные объекты ( x l ) масштабируются с помощью коэффициентов внимания (α), рассчитанных в AG. Пространственные области выбираются путем анализа как активаций, так и контекстуальной информации, предоставляемой стробирующим сигналом ( g ), который собирается из более грубой шкалы разрешения.Коэффициенты внимания передискретизируются для соответствия разрешению ( x l ) с помощью трилинейной интерполяции.

2.2.2. Глубокий надзор

Глубокий контроль (Kayalibay et al., 2017) — это схема, в которой генерируются несколько карт сегментации с разными уровнями разрешения. Карты признаков с каждого уровня сети транспонируются свертками 1 × 1 × 1 для создания вторичных карт сегментации. Затем они объединяются следующим образом: во-первых, карта сегментации с самым низким разрешением подвергается повышающей дискретизации с помощью билинейной интерполяции, чтобы иметь тот же размер, что и карта сегментации со вторым самым низким разрешением.Затем поэлементная сумма двух карт подвергается повышающей дискретизации и добавляется к карте сегментации третьего минимума и так далее, пока мы не достигнем самого высокого уровня разрешения. Для иллюстрации см. Рисунок 1.

Эти дополнительные карты сегментации в основном не служат для дальнейшего уточнения окончательной карты сегментации, созданной на последнем уровне модели, поскольку контекстная информация уже предоставлена ​​соединениями с длинным пропуском. Карты вторичной сегментации помогают ускорить конвергенцию, «поощряя» более ранние слои сети для получения лучших результатов сегментации.Аналогичный принцип использовали Kayalibay et al. (2017) и Chen et al. (2018).

2.3. Обучение

Если не указано иное, все модели обучаются с пятикратной перекрестной проверкой. Сеть обучается с комбинацией игры в кости (5) и кросс-энтропийной (6) функцией потерь (4):

Ltotal=Ldice+LcrossEntropy,    (4) Ldice=-2|C|∑c∈C∑i∈Iuicvik∑i∈Iuic+∑i∈Ivic,    (5) LcrossEntropy=-∑c∈C∑i∈I(viclog(uik)),    (6)

, где u — это выходные данные softmax сети, а v — одно горячее кодирование карты сегментации истинной земли.И u , и v имеют форму I × C , где i I — количество пикселей в обучающем патче/партии, а c C 9079 — количество пикселей в обучающем патче/партии, а c C 9079 — Потеря кросс-энтропии ускоряет обучение в начале обучения, а функция потери кубиков помогает справиться с дисбалансом меток, характерным для данных медицинских изображений.

Потери в кубиках вычисляются для каждого класса и каждого образца в партии и усредняются по партии и по всем классам.Мы используем оптимизатор Adam с начальной скоростью обучения 3 × 10 90 121 −5 90 124 и 90 078 l 90 079 90 077 2 90 080 уменьшения веса 3 × 10 90 121 −5 90 124 для всех экспериментов. Эпоха определяется как итерация по всем обучающим изображениям. Всякий раз, когда экспоненциальное скользящее среднее потерь при обучении не улучшается в течение последних 30 эпох, скорость обучения уменьшается в 0,2 раза. Мы тренируемся до тех пор, пока скорость обучения не упадет ниже 10 −6 или не будет превышено 1000 эпох.

Обновления градиента вычисляются стандартным обратным распространением с использованием небольшого пакета размером 2.Начальные значения весов извлекаются из нормального распределения (He et al., 2015). Параметры стробирования инициализируются таким образом, чтобы шлюзы внимания пропускали все векторы признаков во всех пространственных положениях.

2.3.1. Расширение данных и выборка исправлений

Обучение глубоких сверточных нейронных сетей на ограниченных обучающих данных страдает от переобучения. Чтобы свести к минимуму эту проблему, мы применяем большое разнообразие методов увеличения данных: случайные повороты, случайное масштабирование, случайные упругие деформации, увеличение гамма-коррекции и зеркальное отображение.Все техники аугментации применяются на лету во время обучения. Увеличение данных реализовано с помощью платформы, которая находится в открытом доступе по адресу: https://github.com/MIC-DKFZ/batchgenerators.

Патчи генерируются случайным образом на лету во время обучения, но мы обеспечиваем, чтобы хотя бы одна из выборок в пакете содержала хотя бы один класс переднего плана, чтобы повысить стабильность обучения сети.

2.4. Вывод

В соответствии с обучением вывод окончательной маски сегментации также производится по патчам.Известно, что точность вывода снижается к границам прогнозируемого изображения. Поэтому мы перекрываем патчи на половину размера патча, а также взвешиваем воксели, близкие к центру, выше, чем близкие к границе, при агрегировании прогнозов по патчам. Веса генерируются таким образом, что положение центра в патче равно единице, а граничные пиксели устанавливаются равными нулю, а промежуточные значения извлекаются из распределения Гаусса с сигмой, равной одной восьмой размера патча.Для дальнейшего повышения стабильности мы используем увеличение данных во время тестирования путем зеркального отображения всех исправлений по всем осям.

3. Экспериментальная оценка и обсуждение

Чтобы показать обоснованность предложенного метода сегментации, мы оцениваем методологию по сложной задаче сегментации КТ брюшной полости. Мы оцениваем обнаружение раковой ткани в трех различных органах: поджелудочной железе, печени и почках.

3.1. Наборы данных компьютерной томографии

Эксперименты оцениваются по трем различным наборам данных КТ брюшной полости с указанием классов сегментации органов и опухолей: почки, печень и поджелудочная железа.Каждый набор данных приносит немного разные задачи для модели. Более подробную информацию о каждой целевой набор данных, обучение расстановок, и конкретные топологии сети следующим образом (см также таблицу 1).

Таблица 1. Обзор форм изображений, учебные установки и сетевые топологии для каждой задачи.

3.1.1. почки

Набора данных показывает коллекцию многофазной КТ, сегментации масок и комплексных клинических исходы для 300 пациентов, перенесших нефрэктомию для опухолей почек в университете Миннесоты медицинского центра в период между 2010 и 2018 годами (Heller и др., 2019). Семьдесят процентов (210) этих пациентов были выбраны случайным образом в качестве обучающей выборки для участия в конкурсе MICCAI KiTS Kidney Tumor Segmentation Challenge 2019 и опубликованы.

Мы выполняем пятикратную перекрестную проверку во время обучения: 42 изображения используются для проверки и 168 изображений для обучения. Средняя форма пациента после повторной выборки составляет 511 × 511 × 136 пикселей в случае высокого разрешения и 247 × 247 × 127 пикселей в случае низкого разрешения. В соответствии со средними формами мы используем 5, 5 и 3 понижения частоты дискретизации для каждой соответствующей оси изображения в высоком разрешении и 5, 5, 4 понижения частоты дискретизации в низком разрешении.Размер патча в случае высокого разрешения составляет 160×160×48 пикселей и 128×128×80 пикселей в случае низкого разрешения.

3.1.2. печень

Набор данных включает коллекцию из 201 компьютерной томографии портальной вены и масок сегментации печени и опухолей, полученных в IRCAD Hôpitaux Universitaires. Шестьдесят пять процентов (131) этих изображений были опубликованы в качестве тренировочного набора для конкурса MICCAI Medical Decathlon Challenge 2018 (Simpson et al., 2019). Этот набор данных содержит большой дисбаланс меток между органом (печенью) и опухолью.Включение члена в кости в функцию потерь (раздел 2.3) помогает смягчить негативные последствия такого дисбаланса.

Мы выполняем пятикратную перекрестную проверку во время обучения: 26 изображений используются для проверки и 105 изображений для обучения. Средняя форма пациента после повторной выборки составляет 482 × 512 × 512 пикселей в случае высокого разрешения и 189 × 201 × 201 пикселей в случае низкого разрешения. Согласно медианным формам, мы уменьшаем разрешение в пять раз по каждой соответствующей оси изображения как в высоком, так и в низком разрешении.Размер патча в случае высокого разрешения составлял 96×128×128 пикселей и 96×128×128 пикселей в случае низкого разрешения.

3.1.3. Поджелудочная железа

Набор данных включает коллекцию из 421 портальной венозной КТ-изображения и масок сегментации для поджелудочной железы и опухоли, полученных в онкологическом центре Memorial Sloan Kettering. Семьдесят процентов (282) этих изображений были опубликованы в качестве тренировочного набора для MICCAI Medical Decathlon Challenge 2018 года (Simpson et al., 2019). Этот набор данных также несбалансирован по классам: фон является наиболее заметным классом, за ним следуют орган (поджелудочная железа) и опухоль как наименее присутствующий класс.Внешний вид достаточно неоднороден для поджелудочной железы и опухоли. Как и прежде, включение члена в кости в функцию потерь помогает смягчить негативные последствия такого дисбаланса.

Мы выполняем пятикратную перекрестную проверку во время обучения: 26 изображений используются для проверки и 105 изображений для обучения. Средняя форма пациента после повторной выборки составляет 96 × 512 × 512 пикселей в случае высокого разрешения и 88 × 299 × 299 пикселей в случае низкого разрешения. В соответствии со средними формами мы делаем 3, 5 и 5 понижений дискретизации для каждой соответствующей оси изображения в высоком разрешении и 3, 5, 5 понижений разрешения в низком разрешении.Размер патча в случае высокого разрешения составляет 40×192×160 пикселей и 64×128×128 пикселей в случае низкого разрешения.

3.2. Визуализация карт активации

Схема сети позволяет нам визуализировать значимые карты активаций от ворот внимания, а также от глубоких слоев наблюдения. Визуализации позволяют получить захватывающее представление о функциональности сверточной сети. Понимание того, как модель представляет входное изображение на промежуточных слоях, может помочь лучше понять, как улучшить модель, и раскрыть хотя бы часть поведения черного ящика, которым также известны нейронные сети.

3.2.1. Визуализация карт внимания

Виртуальная сеть с низким разрешением была выбрана для изучения коэффициентов внимания, генерируемых на разных уровнях сети, обученной на наборе данных Medical Decathlon Pancreas. На рис. 3 показаны коэффициенты внимания, полученные по трем верхним уровням сети (работающие с полным пространственным разрешением и пониженной дискретизацией в два и четыре раза). Ворота внимания обеспечивают грубый контур органов на двух верхних уровнях сети, но не в случаях с более низким пространственным разрешением.По этой причине в наших экспериментах мы решили реализовать AG только на двух самых верхних уровнях и сохранить вычислительную память для обработки больших фрагментов изображения.

Рисунок 3 . Примеры карт внимания (AM), полученных из шлюзов внимания на трех самых верхних уровнях виртуальной сети с низким разрешением (слева направо: полное пространственное разрешение, понижение дискретизации двух и четырех).

Коэффициенты внимания, полученные из двух случайно выбранных проверочных изображений из каждого изучаемого набора данных, представлены на рисунке 4.Все визуализированные карты внимания коррелируют с интересующим органом, что указывает на то, что механизм внимания сосредотачивается на интересующих областях, т. Е. Подчеркивает выделяющиеся области изображения и важные функции, важные для сегментации органов. В случае сегментации печени карта внимания точно коррелирует с органом на втором уровне, в то время как на верхнем уровне внимание, по-видимому, сосредоточено на границах органа. В наборах данных о почках и поджелудочной железе мы можем наблюдать прямо противоположное поведение.Карта внимания верхнего уровня охватывает орган, а карта внимания второго уровня фокусируется на границах и ближайшем окружении органа. Эта разница, возможно, связана с разными размерами мишеней, поскольку печень занимает значительно большую часть изображения, чем почки или поджелудочная железа.

Рисунок 4 . Визуализация карт внимания (AM) в низком разрешении для виртуальной сети и двух случайно выбранных изображений пациентов из проверочного набора каждого изучаемого набора данных.Для каждого пациента левое изображение показывает внимание из самого верхнего слоя (с самым высоким пространственным разрешением), а правое изображение показывает внимание из второго самого верхнего слоя.

3.2.2. Визуализация карт сегментации Deep Supervision

Виртуальная сеть с низким разрешением также была выбрана для изучения вторичных карт сегментации, созданных на более низких уровнях сети, обученных на наборе данных Medical Decathlon Pancreas. Карты сегментации показаны на рис. 5. Хотя основной целью карт вторичной сегментации не является уточнение окончательной сегментации, созданной на последнем слое модели, мы могли видеть корреляцию между появлением каждой метки и активацией в ней. карты сегментации.Самая верхняя карта сегментации копирует конечный результат. Как и следовало ожидать, второй и третий уровни активации более шумные. Мы могли видеть более высокие активации вокруг поджелудочной железы в каналах класса опухоли, а также более высокие активации вокруг границ органа в канале фоновой метки.

Рисунок 5 . Карты вторичной сегментации (SSM), полученные из глубоких контрольных слоев виртуальной сети с низким разрешением для одного случайно выбранного изображения пациента из проверочного набора набора данных Medical Decathlon Pancreas.

Более подробные карты сегментации в канале меток органов труднее интерпретировать. Карта второго уровня кажется перевернутой, включая поджелудочную железу в более темную часть входного изображения. С другой стороны, карта третьего уровня выделяет все органы, присутствующие на изображении. После суммирования этих двух карт добиваемся нужной подсветки поджелудочной железы. В целом можно сказать, что все карты вторичной сегментации оказывают существенное влияние на конечный результат.

3.3. Метрики оценки

Мы используем следующие показатели для оценки окончательной сегментации в последующих разделах: точность, отзыв и игра в кости. Каждая из метрик кратко описана ниже.

В контексте сегментации, точности и отзыва сравните результаты тестируемого классификатора с истинной сегментацией путем комбинации истинно положительных ( T P ), истинно отрицательных ( T N ), ложноположительные результаты ( F P ) и ложноотрицательные результаты ( F N ).Термины «положительный» и «отрицательный» относятся к прогнозу классификатора, а термины «истина» и «ложь» относятся к тому, соответствует ли этот прогноз меткам истинности. Подводя итог, Precision P (7) и Recall R (8) определяются следующим образом:

P=TPTP+FP*100,    (7) R=TPTP+FN*100. (8)

Таким образом, и точность, и полнота нормализуются в диапазоне 〈0, 100〉, более высокие значения указывают на лучшую производительность.

При применении к задаче бинарной сегментации оценка в костях оценивает степень перекрытия между прогнозируемой маской сегментации и эталонной маской сегментации.Учитывая бинарные маски, U и V, оценка Dice D (9) определяется как:

D=2*|U∪V||U|+|V|*100. (9)

В этом варианте результат игры находится в диапазоне 〈0, 100〉, чем выше значение, тем лучше результат.

3.4. Оценка четырех архитектур и трех наборов данных

Далее мы представляем всестороннее исследование задач сегментации органов и опухолей на трех разных наборах данных КТ брюшной полости. Для каждого набора данных были обучены четыре варианта модели, чтобы показать влияние различных вариантов архитектуры модели.UNet использует максимальный пул и слои повышающей дискретизации, а виртуальная сеть полностью сверточная. Каждый вариант архитектуры обучался на двух разных разрешениях изображения: полном и низком разрешении. Подробнее о вариантах моделей см. в разделе 2.2. Кроме того, мы предоставляем результаты сборки соответствующих моделей с полным и низким разрешением. Выходные карты soft-max из полного и варианта модели с низким разрешением усреднялись, и только затем создавалась окончательная карта сегментации.В таблицах 2–4 обобщены результаты пятикратной перекрестной проверки для всех вариантов модели для набора данных Medical Decathlon Challenge (MDC) Liver, набора данных Medical Decathlon Challenge Pancreas и набора данных Kidney Tumor Segmentation Challenge (KiTS) соответственно.

Таблица 2 . Вызов опухоли почки 2019.

Таблица 3 . Medical Decathlon Challenge 2018 — Task03-Liver.

Таблица 4 . Medical Decathlon Challenge 2018 — Task07-Поджелудочная железа.

Из-за заметной взаимной изменчивости положения, размера и морфологической структуры сегментация меток опухоли была менее успешной, чем сегментация органов. Мы можем видеть более низкие значения баллов, а также более значительную взаимозависимость между складками. Вариабельность особенно высока в метке «Опухоль печени», где поражения обычно делятся на множество мелких образований, и отсутствие некоторых из них означает значительное изменение результатов оценки сегментации. Модель может выиграть от некоторой постобработки, которая может помочь разобраться с некоторыми поражениями за пределами органа печени, как это было предложено Bilic et al.(2019). Общие оценки являются самыми низкими для набора данных MDC Pancreas. Изменчивость формы и размеров поджелудочной железы делает ее сегментацию сложной задачей. Тем не менее, механизм внимания помогает сети найти поджелудочную железу, что обеспечивает достаточно хорошую производительность.

Как правило, производительность UNet и полностью сверточной виртуальной сети сопоставима, но мы можем наблюдать несколько лучшие показатели, достигнутые виртуальной сетью в наборе данных MDC Liver и наборе данных KiTS, в то время как в наборе данных MDC Pancreas наблюдается противоположная тенденция, где UNet обеспечивает лучшие результаты. результатов, чем виртуальная сеть.Тем не менее, когда дело доходит до результатов сборки, виртуальная сеть выигрывает от своих обучаемых параметров и достигает лучших результатов, чем вариант UNet во всех трех наборах данных.

3.5. Сравнение производительности

Предложенная сетевая архитектура была протестирована на победителя конкурса Medical Decathlon Challenge (MDC), а именно nnUNet (Isensee et al., 2018) по двум задачам: Task03-Печень и Task07-Поджелудочная железа. В таблице 5 показаны средние результаты пятикратной перекрестной проверки для вариантов моделей с низким и полным разрешением, а также для лучшей модели, представленной в каждой из работ.Выигрышные результаты nnUNet состоят из комбинированного прогноза трех разных моделей (2D UNet, 3D UNet и каскад 3D UNet), собранных вместе. Поэтому мы решили сравнить также результаты трехмерной модели UNet, архитектура которой близка к нашей сети, чтобы подчеркнуть разницу, полученную за счет изменений сетевой архитектуры, а именно шлюзов внимания и глубокого наблюдения.

Таблица 5 . Сравнение предлагаемой VNet-AG-DSV с современной сетью с аналогичными параметрами, представленной Isensee et al.(2018).

В моделях с полным и низким разрешением с гейтами внимания (VNet-AG-DSV) были достигнуты более высокие оценки на кубиках для обеих меток в наборе данных поджелудочной железы, особый интерес представляет то, что оценки на кубиках опухоли были значительно увеличены на три и семь баллов. в низком и полном разрешении соответственно. В случае с набором данных о печени мы могли видеть значительное улучшение в случае с низким разрешением. Ворота внимания улучшили оценку кости опухоли на семь баллов, в то время как точность сегментации печени была сопоставимой.В случае с полным разрешением снижение количества кубиков произошло только по классу опухоли. Наконец, если мы сравним лучшие модели, представленные в обеих статьях, наша модель с воротами внимания и глубоким наблюдением (VNet-AG-DSV) побеждает в обоих наборах данных, добавляя почти три балла по классу опухоли печени и два балла по метке поджелудочной железы. .

Производительность модели с гейтами внимания и без них количественно сравнивается в таблице 6. Мы могли видеть, что как количество параметров, так и время обучения и оценки увеличились лишь незначительно, в то время как улучшение производительности было значительным.Отметим, что уменьшение числа параметров в работе Isensee et al. (2018) было компенсировано обучением сети с большим размером участка: 128×128×128 пикселей против 96×128×128 пикселей для набора данных «Печень» и 96×160×128 пикселей против 64×128×128 пикселей для набора данных «Поджелудочная железа».

Таблица 6 . Сравнение производительности.

3.6. Сравнение с современным

Предложенная архитектура оценивалась по трем общедоступным наборам данных: Task03-Печень, Task07-Поджелудочная железа из Medical Decathlon Challenge и набору данных Kidney Tumor Segmentation 2019 Challenge, чтобы сравнить ее эффективность с современными методами.Следующие три подраздела обобщают результаты для каждого набора данных.

3.6.1. Почки

Наша виртуальная сеть с блокировкой внимания и глубоким наблюдением (VNet-AG-DSV) для задачи по изучению опухоли почки (таблица 7) участвовала в конкурсе по сегментации опухоли почки в 2019 г., набрав 96,63 и 79,29 баллов для метки почки и опухоли соответственно. , аналогично нашим пятикратным значениям перекрестной проверки 96,43 ± 1,06 и 79,94 ± 5,33 для почки и опухоли почки соответственно. Результаты показывают стабильную передачу значений от валидации к тестовому набору, что поддерживает стабильность результатов модели.В таблице 7 показаны результаты тестового набора для трех победных заявок по сравнению с нашей моделью. Победившее решение Isensee и Maier-Hein (2019) использует остаточный 3DUNet. Основное отличие от нашего решения (помимо изменений в архитектурной модели) заключается в функции потерь, которая была приспособлена для соответствия системе оценки задач. Авторы также исключили из обучающей выборки некоторые случаи (это было разрешено организаторами). Во второй (Hou et al., 2019) и третьей (Mu et al., 2019) заявке на вызов KiTS используется некоторый вариант многоэтапного решения, где приблизительное положение почек определяется на первом этапе и только затем составлена ​​окончательная точная карта сегментации.Обратите внимание, что мы не выполняли ни ручной настройки тренировочного набора, ни каких-либо приспособлений к задаче. Затем мы можем сделать вывод, что наш VNet-AG-DSV продемонстрировал замечательную производительность с той же архитектурой, которая использовалась для двух других предыдущих задач, а именно обнаружения двух других органов (поджелудочной железы и печени) вместе с их опухолями (отличающейся от почки структуры). ).

Таблица 7 . Результаты набора тестов из списка лидеров Kidney Tumor Challenge 2019.

3.6.2. печень

Набор данных по опухоли печени был получен в ходе конкурса Medical Decathlon Challenge (MDC), который проходил на конференции MICCAI в 2018 году. Мы анализируем результаты различных исследовательских работ, посвященных сегментации печени и опухоли печени. Билич и др. (2019) в работе Liver Tumor Segmentation Benchmark (LiTS) представляет сравнительное исследование двух проблем, связанных с сегментацией печени и опухоли печени. Авторы отмечают, что ни один алгоритм не работал лучше всего для печени и опухолей одновременно.Победитель сегментации печени Tian et al. достигает 96,30 и 65,70 баллов для класса печени и опухоли соответственно. Победитель части сегментации поражения, Yuan et al. набрали 96,10 и 70,20 баллов для классов печени и опухолей соответственно. Все методы-победители в тесте LiTS использовали некоторые этапы постобработки, чаще всего маркировку подключенных компонентов, но также и другие методы, более специфичные для конкретной задачи обнаружения поражения печени. Как показано в Таблице 8, наша сеть VNet-AG-DSV набрала 96 очков.37 и 64,70 для класса печени и опухоли соответственно. Наш метод, являющийся полностью автоматическим и не использующий ручную постобработку, не только обеспечивает сопоставимые результаты, но также может быть легко перенесен и использован для решения различных задач сегментации органов, как показано ниже.

Таблица 8 . Сравнение современных методов сегментации печени и опухоли печени по данным компьютерной томографии.

3.6.3. Поджелудочная железа

По сравнению с другими органами брюшной полости, сегментация поджелудочной железы является сложной задачей, о чем свидетельствуют более низкие оценки, полученные в литературе.Рот и др. (2018) вводит применение целостно вложенных сверточных сетей (HNN) и достигает оценки 81,27 ± 6,27 в кости. Октай и др. (2018) вводит ворота внимания для сегментации поджелудочной железы, но по сравнению с нашим решением не включает в себя глубокий контроль, но отличается другими архитектурными решениями. Их сеть достигает 84,00 ± 8,70 баллов для метки поджелудочной железы. Насколько нам известно, не существует никаких документов, посвященных как поджелудочной железе, так и сегментации опухоли поджелудочной железы, за исключением тех, которые были представлены для конкурса Medical Decathlon Challenge.Лучшая оценка поджелудочной железы и сегментации опухоли поджелудочной железы, полученная Isensee et al. (2018 г.) — 79,30 и 52,12 соответственно. Как показано в таблице 9, результаты нашего исследования VNet-AG-DSV на кубиках составляют 81,22 и 52,99 для метки поджелудочной железы и опухоли соответственно. Наш метод превосходит nnUNet Isensee et al. (2018) на обеих этикетках, а его результат сегментации поджелудочной железы соответствует методам, предназначенным только для обнаружения поджелудочной железы.

Таблица 9 . Сравнение современных методов сегментации поджелудочной железы и опухоли поджелудочной железы по данным компьютерной томографии.

4. Обсуждение

Обычные искусственные нейронные сети с полностью связанными скрытыми слоями требуют очень много времени для обучения. В связи с этим была введена сверточная нейронная сеть (CNN). Он специально разработан для работы с изображениями с использованием сверточных слоев и объединенных слоев, прежде чем заканчиваться полностью связанными слоями. В настоящее время архитектуры сверточных нейронных сетей являются основным выбором для большинства задач компьютерного зрения. CNN черпает вдохновение в биологических процессах в том смысле, что паттерн связи между нейронами соответствует организации зрительной коры животных (Hubel and Wiesel, 1968; Fukushima, 1980; Rodŕıguez-Sánchez et al., 2015). Точно так же, как и в глазу, отдельные нейроны реагируют на стимулы из ограниченной (ограниченной размером фильтра) области поля зрения. Эти ограниченные рецептивные поля разных нейронов частично перекрываются, а вместе покрывают все поле зрения.

Сегментация изображения — одна из самых трудоемких задач компьютерного зрения, поскольку она требует попиксельной классификации входного изображения. Лонг и др. (2015) представляет сверточную нейронную сеть cully для сегментации изображений, в первую очередь вводя пропуски между слоями для объединения грубой, семантической и локальной информации о внешнем виде.Работа Ronneberger et al. (2015) расширили идею пропуска соединений и успешно применили ее в сегментации медицинских изображений. Возможность изучения изображения в различных масштабах оказалась решающей для успешной сегментации изображения. Из-за объемной характеристики медицинских данных трехмерный вариант полностью сверточных сетей с пропущенными соединениями был представлен Milletari et al. (2016). С тех пор этот тип архитектуры является наиболее часто используемой CNN в области сегментации медицинских изображений, получив лучшие результаты в большинстве ведущих задач, связанных с сегментацией медицинских изображений за последние годы: The Liver Tumor Segmentation Challenge в 2017 году (Bilic et al., 2019 г.), Medical Decathlon Challenge в 2018 г. (Simpson et al., 2019) и Challenge Segmentation Tumor Segmentation Challenge в 2019 г. (Heller et al., 2019).

Глубокое наблюдение, представленное Kayalibay et al. (2017) берет идею пропусков соединений и использует ее по-другому. Это дизайн, в котором несколько карт сегментации генерируются на разных уровнях разрешения сети. Карты признаков с каждого уровня сети транспонируются свертками 1 × 1 × 1 для создания вторичных карт сегментации.Эти вторичные карты не предназначены для дальнейшего уточнения окончательной карты сегментации. Вместо этого он пытается исправить более ранние слои сети и «поощрять» их к получению лучших результатов сегментации, тем самым ускоряя конвергенцию при обучении. Глубокий контроль особенно полезен при решении проблемы исчезающего градиента, которая обычно возникает при обучении очень глубокой CNN.

Помимо пропускных соединений, многие исследователи пытались включить понятие внимания в искусственные визуальные модели CNN (Mnih et al., 2014; Сяо и др., 2015 г.; Сюй и др., 2015; Чен и др., 2016). Наличие внимания — один из уникальных аспектов зрительной системы человека (Corbetta, Shulman, 2002), помогающий выборочно обрабатывать наиболее релевантную для поставленной задачи часть поступающей информации. (Chen et al., 2016) предлагает модель внимания, которая мягко взвешивает функции из разных входных шкал при прогнозировании семантической метки пикселя. Октай и др. (2018) использовали аналогичный принцип в своих воротах внимания и применили их в сегментации медицинских изображений.Внимание особенно полезно в случае сегментации внутренних органов по данным компьютерной томографии (КТ) брюшной полости, поскольку органы брюшной полости обычно представлены вокселями одинаковой интенсивности на КТ. Модель значительно выигрывает от возможности отбрасывать активацию от незначительных частей изображения и фокусироваться на интересующем органе. В конце концов, эксперт-человек будет следовать той же методологии: сначала найти приблизительное положение интересующего органа и только затем подробно проанализировать его, как это можно найти в описании процесса аннотирования карт сегментации для задачи KiTS (Heller et al. др., 2019).

5. Выводы

Эта работа представляет собой всестороннее исследование сегментации медицинских изображений с помощью глубокой сверточной нейронной сети. Мы предлагаем новую сетевую архитектуру, дополненную шлюзами внимания и глубоким наблюдением (VNet-AG-DSV), которая обеспечивает результаты, сравнимые с современной производительностью на нескольких очень разных наборах данных медицинских изображений. Мы провели обширное исследование, в котором проанализировали две самые популярные сверточные нейронные сети в медицинских изображениях (UNet и VNet) в трех разных наборах данных о опухоли органов и двух разрешениях обучающих изображений.Кроме того, чтобы понять, как модель представляет входное изображение на промежуточных уровнях, визуализируются карты активации из ворот внимания и карты вторичной сегментации из глубоких слоев наблюдения. Визуализации показывают отличную корреляцию между присутствующей активацией и интересующей меткой. Сравнение производительности показывает, что предложенное расширение сети вносит небольшую вычислительную нагрузку, которая компенсируется значительным улучшением производительности. Наконец, наша архитектура является полностью автоматической и показала свою эффективность при обнаружении трех различных органов и опухолей, т.е.т. е., более общий, чем уровень техники, обеспечивая при этом производительность, аналогичную более специализированным методам.

Заявление о доступности данных

В этом исследовании были проанализированы общедоступные наборы данных. Эти данные можно найти здесь: http://medicaldecathlon.com/, https://kits19.grand-challenge.org/.

Вклад авторов

AT и TT закодировали предложенную методологию и провели эксперименты. ZK помог обеспечить необходимую вычислительную мощность. AT написал первый черновик рукописи.AR-S провела первое чтение утверждения. Все авторы внесли свой вклад в концепцию и дизайн исследования, внесли свой вклад в пересмотр рукописи, прочитали и одобрили представленную версию.

Финансирование

Работа выполнена при поддержке Агентства внутренних грантов Университета Томаса Бата в рамках проекта №. IGA/CebiaTech/2020/001 и COST (Европейское сотрудничество в области науки и технологий) в рамках действия CA15140 «Повышение применимости вдохновленной природой оптимизации путем объединения теории и практики» (ImAppNIO).Наконец, высоко ценится доступ к вычислительным ресурсам, предоставляемым проектом e-Infrastruktura CZ (e-INFRA LM2018140) в рамках программы Projects of Large Research, Development, and Innovations Infrastructures.

Конфликт интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

Редактор обработки заявил о прошлом соавторстве с одним из авторов AR-S.

Благодарности

Статья создана при поддержке А.И. Лаборатория (ailab.fai.utb.cz) Университета Томаса Баты в Злине и группа IIS Университета Инсбрука (iis.uibk.ac.at).

Сноски

Ссылки

Билич П., Крист П. Ф., Воронцов Э., Хлебус Г., Чен Х., Доу К. и др. (2019). Эталон сегментации опухоли печени (лит). CoRR, абс/1901.04056 .

Академия Google

Чен, Х., Dou, Q., Yu, L., Qin, J., and Heng, P.-A. (2018). VoxResNet: Глубокие воксельные остаточные сети для сегментации мозга по 3D-МР-изображениям. Нейроизображение 170, 446–455. doi: 10.1016/j.neuroimage.2017.04.041

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Чен, Л.-К., Ян, Ю., Ван, Дж., Сюй, В., и Юилле, А.Л. (2016). «Внимание к масштабу: сегментация семантического изображения с учетом масштаба», в материалах Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (Лас-Вегас, Невада), 3640–3649.doi: 10.1109/CVPR.2016.396

Полнотекстовая перекрестная ссылка | Академия Google

Доу, К., Чен, Х., Джин, Ю., Ю, Л., Цинь, Дж., и Хэн, П.-А. (2016). «Трехмерная контролируемая сеть для автоматической сегментации печени из томов КТ», Международная конференция по вычислениям медицинских изображений и компьютерным вмешательствам (Cham: Springer), 149–157. дои: 10.1007/978-3-319-46723-8_18

Полнотекстовая перекрестная ссылка | Академия Google

Фукусима, К. (1980). Неокогнитрон: модель самоорганизующейся нейронной сети для механизма распознавания образов, на который не влияет изменение положения. Биол. Кибер . 36, 193–202. дои: 10.1007/BF00344251

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Гибсон Э., Гиганти Ф., Ху Ю., Бонмати Э., Бандула С., Гурусами К. и др. (2018). Автоматическая мультиорганная сегментация на КТ брюшной полости с плотными v-сетями. IEEE Trans. Мед. Изображение 37, 1822–1834 гг. doi: 10.1109/TMI.2018.2806309

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Гревал, М., Шривастава, М.М., Кумар П. и Варадараджан С. (2018). «Radnet: точность на уровне рентгенолога с использованием глубокого обучения для обнаружения кровоизлияний при компьютерной томографии», в , 15-м международном симпозиуме IEEE по биомедицинской визуализации, 2018 г. (ISBI 2018) (Вашингтон, округ Колумбия), 281–284. doi: 10.1109/ISBI.2018.8363574

Полнотекстовая перекрестная ссылка | Академия Google

Хамидиан, С., Сахинер, Б., Петрик, Н., и Пезешк, А. (2017). «Трехмерная сверточная нейронная сеть для автоматического обнаружения узлов в легких на КТ грудной клетки», в Medical Imaging 2017: Computer-Aided Diagnosis, Vol.10134 (Орландо, Флорида: Международное общество оптики и фотоники), 1013409. doi: 10.1117/12.2255795

Полнотекстовая перекрестная ссылка | Академия Google

Хе, К., Чжан, X., Рен, С., и Сунь, Дж. (2015). «Углубленное изучение выпрямителей: превышение производительности на уровне человека по классификации imagenet», в IEEE International Conference on Computer Vision (Сантьяго), 1026–1034. doi: 10.1109/ICCV.2015.123

Полнотекстовая перекрестная ссылка | Академия Google

Хеллер, Н., Sathianathen, N., Kalapara, A., Walczak, E., Moore, K., Kaluzniak, H., et al. (2019). Данные испытания kits19: 300 случаев опухоли почки с клиническим контекстом, КТ-семантической сегментацией и хирургическими результатами. arXiv [препринт]. arXiv:1904.00445 .

Академия Google

Хоу, Х., Се, К., Ли, Ф., и Нан, Ю. (2019). Каскадная семантическая сегментация для почки и опухоли . Технический отчет, PingAn Technology Co., Ltd, Шанхай. дои: 10.24926/548719.002

Полнотекстовая перекрестная ссылка | Академия Google

Ху, П., Ву Ф., Пэн Дж., Бао Ю., Чен Ф. и Конг Д. (2017). Автоматическая мультиорганная сегментация брюшной полости с использованием глубокой сверточной нейронной сети и наборов неявных уровней времени. Междунар. Дж. Вычисл. Ассистент Радиол. Серг . 12, 399–411. doi: 10.1007/s11548-016-1501-5

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Хуанг З., Ван Х., Хуанг Л., Хуанг К., Вэй Ю. и Лю В. (2019). «CCNet: Перекрестное внимание к семантической сегментации», в Международная конференция IEEE по компьютерному зрению (ICCV) (Сеул).doi: 10.1109/ICCV.2019.00069

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Изензее Ф., Кикингередер П., Вик В., Бендзус М. и Майер-Хейн К. Х. (2017). «Сегментация опухоли головного мозга и прогнозирование выживаемости с помощью радиомики: вклад в проблему 2017 г.», в International MICCAI Brainlesion Workshop (Cham: Springer), 287–297. дои: 10.1007/978-3-319-75238-9_25

Полнотекстовая перекрестная ссылка | Академия Google

Изензее, Ф.и Майер-Хейн, К. Х. (2019). Попытка победить 3D U-Net . Технический отчет, Немецкий центр исследования рака (DKFZ), Гейдельберг. дои: 10.24926/548719.001

Полнотекстовая перекрестная ссылка | Академия Google

Isensee, F., Petersen, J., Klein, A., Zimmerer, D., Jaeger, P.F., Kohl, S., et al. (2018). nnU-Net: самоадаптирующаяся структура для сегментации медицинских изображений на основе U-net. CoRR абс/1809.10486 . дои: 10.1007/978-3-658-25326-4_7

Полнотекстовая перекрестная ссылка | Академия Google

Хименес-дель-Торо, О., Müller, H., Krenn, M., Gruenberg, K., Taha, A.A., Winterstein, M., et al. (2016). Облачная оценка алгоритмов сегментации анатомических структур и обнаружения ориентиров: тесты висцеральной анатомии. IEEE Trans. Мед. Визуализация 35, 2459–2475. doi: 10.1109/TMI.2016.2578680

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Каялибай, Б., Дженсен, Г., и ван дер Смагт, П. (2017). Сегментация данных медицинской визуализации на основе CNN. CoRR абс/1701.03056 .

Академия Google

Кирни, В., Чан, Дж. В., Ван, Т., Перри, А., Йом, С. С., и Солберг, Т. Д. (2019). Трехмерные сверточные нейронные сети с усилением внимания для семантической КТ-сегментации с использованием глубокого наблюдения. Физ. Мед. Биол . 64:135001. дои: 10.1088/1361-6560/ab2818

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Ли, К.-Ю., Се, С., Галлахер, П., Чжан, З. и Ту, З. (2015). «Сети с глубоким наблюдением», в Трудах восемнадцатой международной конференции по искусственному интеллекту и статистике, Vol.38 Proceedings of Machine Learning Research , редакторы Г. Ливан и С.В.Н. Вишванатан (Сан-Диего, Калифорния: PMLR), 562–570.

Академия Google

Лингурару, М. Г., Ричбур, В. Дж., Лю, Дж., Ватт, Дж. М., Памулапати, В., Ван, С., и др. (2012). Анализ опухолевой нагрузки на компьютерной томографии с помощью автоматизированной сегментации печени и опухоли. IEEE Trans. Мед. Изображение 31, 1965–1976 гг. doi: 10.1109/TMI.2012.2211887

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Лонг, Дж., Шелхамер, Э., и Даррелл, Т. (2015). «Полностью сверточные сети для семантической сегментации», в материалах Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (Бостон, Массачусетс), 3431–3440. doi: 10.1109/CVPR.2015.7298965

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Миллетари Ф., Наваб Н. и Ахмади С.-А. (2016). «V-Net: полностью сверточные нейронные сети для объемной сегментации медицинских изображений», в 4-й Международной конференции IEEE по 3D Vision (3DV) (Стэнфорд, Калифорния: Стэнфордский университет), 565–571.doi: 10.1109/3DV.2016.79

Полнотекстовая перекрестная ссылка | Академия Google

Мних, В., Хесс, Н., Грейвс, А., и Кавукчуоглу, К. (2014). «Рекуррентные модели зрительного внимания», в Advances in Neural Information Processing Systems (Монреаль, QC), 2204–2212.

Академия Google

Му, Г., Линь, З., Хань, М., Яо, Г. и Гао1, Ю. (2019). Сегментация опухоли почки с помощью VB-сетей с несколькими разрешениями . Технический отчет, Shanghai United Imaging Intelligence Inc., Шанхай. дои: 10.24926/548719.003

Полнотекстовая перекрестная ссылка | Академия Google

Oktay, O., Schlemper, J., Folgoc, L.L., Lee, M.C.H., Heinrich, M.P., Misawa, K., et al. (2018). Внимание U-net: Учимся где искать поджелудочную железу. CoRR абс/1804.03999 .

Академия Google

Родригес-Санчес, А. Дж., Фаллах, М., и Леонардис, А. (2015). Иерархические представления объектов в зрительной коре и компьютерном зрении. Фронт. вычисл.Нейроски . 9:142. doi: 10.3389/fncom.2015.00142

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Роннебергер О., Фишер П. и Брокс Т. (2015). «U-net: сверточные сети для сегментации биомедицинских изображений», Международная конференция по вычислениям медицинских изображений и компьютерным вмешательствам (Cham: Springer), 234–241. дои: 10.1007/978-3-319-24574-4_28

Полнотекстовая перекрестная ссылка | Академия Google

Рот, Х.Р., Lu, L., Lay, N., Harrison, A.P., Farag, A., Sohn, A., et al. (2018). Пространственная агрегация целостно вложенных сверточных нейронных сетей для автоматической локализации и сегментации поджелудочной железы. Мед. Изображение Анал . 45, 94–107. doi: 10.1016/j.media.2018.01.006

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Симпсон А.Л., Антонелли М., Бакас С., Билелло М., Фарахани К., ван Гиннекен Б. и др. (2019). Большой аннотированный набор данных медицинских изображений для разработки и оценки алгоритмов сегментации. CoRR, абс/1902.09063 .

Академия Google

Ван, Ф., Цзян, М., Цянь, К., Ян, С., Ли, К., Чжан, Х., и соавт. (2017). «Сеть остаточного внимания для классификации изображений», Конференция IEEE по компьютерному зрению и распознаванию образов (CVPR) (Гонолулу, Гавайи). doi: 10.1109/CVPR.2017.683

Полнотекстовая перекрестная ссылка | Академия Google

Winzeck, S., Hakim, A., McKinley, R., Pinto, J.A., Alves, V., Silva, C., et al. (2018). Isles 2016 и 2017 — сравнительный прогноз исхода поражения ишемическим инсультом на основе мультиспектральной МРТ. Фронт. Нейрол . 9:679. doi: 10.3389/fneur.2018.00679

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Сяо Т., Сюй Ю., Ян К., Чжан Дж., Пэн Ю. и Чжан З. (2015). «Применение двухуровневых моделей внимания в глубокой сверточной нейронной сети для мелкозернистой классификации изображений», в материалах Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (Бостон, Массачусетс), 842–850.

Академия Google

Сюй, К., Ба Дж., Кирос Р., Чо К., Курвиль А., Салахудинов Р., Земель Р. и соавт. (2015). «Покажи, посети и расскажи: генерация подписей к изображениям на нейронах с визуальным вниманием», Международная конференция по машинному обучению (Лилль), 2048–2057.

Академия Google

Yang, G., Li, G., Pan, T., Kong, Y., Wu, J., Shu, H., et al. (2018). «Автоматическая сегментация почки и опухоли почки на КТ-изображениях на основе трехмерной полностью сверточной нейронной сети с модулем объединения пирамид», , 2018 г., 24-я Международная конференция по распознаванию образов (ICPR), , 3790–3795.doi: 10.1109/ICPR.2018.8545143

Полнотекстовая перекрестная ссылка | Академия Google

Ипсилантис, П.-П., и Монтана, Г. (2017). Изучение того, что нужно искать на рентгенограммах грудной клетки с помощью рекуррентной модели зрительного внимания. arXiv [препринт]. arXiv:1701.06452 .

Академия Google

Чжоу Ю., Се Л., Фишман Э. К. и Юилле А. Л. (2017). «Глубокое наблюдение за сегментацией кисты поджелудочной железы при компьютерной томографии брюшной полости», Международная конференция по обработке медицинских изображений и компьютерному вмешательству (Cham: Springer), 222–230.дои: 10.1007/978-3-319-66179-7_26

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

Чжу, К., Ду, Б., Туркбей, Б., Чойке, П.Л., и Ян, П. (2017). «CNN под глубоким наблюдением для сегментации простаты», в 2017 International Joint Conference on Neural Networks (IJCNN) (Anchorage, AK), 178–184. doi: 10.1109/IJCNN.2017.7965852

Полнотекстовая перекрестная ссылка | Академия Google

Зрейк М., Лейнер Т., де Вос Б. Д., ван Хамерсвельт Р. В., Виргевер М.А. и Ишгум И. (2016). «Автоматическая сегментация левого желудочка при КТ-ангиографии сердца с использованием сверточных нейронных сетей», в , 2016 г., 13-й международный симпозиум IEEE по биомедицинской визуализации (ISBI) (Прага, Чехия), 40–43. doi: 10.1109/ISBI.2016.74

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

80386 Справочное руководство программиста — Раздел 6.3

6.3.1.1 Проверка типа

Поле TYPE дескриптора имеет две функции:
  1. Различает разные форматы дескрипторов.
  2. Указывает предполагаемое использование сегмента.
Помимо дескрипторов для данных и исполняемых сегментов, обычно используемых прикладные программы, 80386 имеет дескрипторы для специальных сегментов, используемых операционной системой и для ворот. В Таблице 6-1 перечислены все типы, определенные для системных сегментов и шлюзов. Обратите внимание, что не все дескрипторы определяют сегменты; дескрипторы ворот имеют другое назначение, которое обсуждается позже. в этой главе.

Поля типа данных и дескрипторы исполняемого сегмента включают биты которые дополнительно определяют назначение сегмента (см. Рисунок 6-1 ):

  • Доступный для записи бит в дескрипторе сегмента данных указывает, инструкции могут записывать в сегмент.
  • Бит readable в дескрипторе исполняемого сегмента указывает разрешено ли инструкциям чтение из сегмента (например, для доступа к константам, хранящимся вместе с инструкциями). Читабельный, исполняемый сегмент может быть прочитан двумя способами:
    1. Через регистр CS с использованием префикса переопределения CS.
    2. Путем загрузки селектора дескриптора в регистр сегмента данных (DS, ES, FS или GS).
Проверка типов может использоваться для обнаружения ошибок программирования, которые могут попытаться использовать сегменты способами, не предусмотренными программистом.Процессор проверяет информацию о типе в двух случаях:
  1. Когда селектор дескриптора загружается в сегментный регистр. Некоторые регистры сегментов могут содержать только определенные типы дескрипторов; Например:
    • Регистр CS может быть загружен только с помощью селектора исполняемого файла сегмент.
    • Селекторы исполняемых сегментов, которые не доступны для чтения, не могут быть загружается в регистры сегмента данных.
    • В SS можно загружать только селекторы доступных для записи сегментов данных.
  2. Когда инструкция ссылается (неявно или явно) на сегмент регистр. Определенные сегменты могут использоваться инструкциями только в определенных предустановленные способы; Например:
    • Ни одна инструкция не может выполнять запись в исполняемый сегмент.
    • Никакая инструкция не может записывать в сегмент данных, если бит, доступный для записи, не задано.
    • Никакая инструкция не может считывать исполняемый сегмент, если только бит readable установлен.
Таблица 6-1. Типы дескрипторов системы и шлюза

Код Тип сегмента или шлюза

0 - зарезервировано
1 В наличии 286 ТСС
2 ЛДТ
3 Занято 286 TSS
4 Call Gate
5 Ворота задач
6 286 Врата прерывания
7 286 Ворота-ловушки
8 - зарезервировано
9 В наличии 386 ТСС
А - зарезервировано
B Занято 386 TSS
C 386 Шлюз вызова
D - зарезервировано
E 386 Вход прерывания
F 386 Ворота-ловушки

 

6.3.1.2 Проверка пределов

Поле limit дескриптора сегмента используется процессором для предотвращения программы от адресации вне сегмента. Интерпретация процессора предела зависит от установки бита G (зернистость). Для данных сегментов, интерпретация предела процессором зависит также от E-бит (бит направления расширения) и B-бит (старший бит) (см. Таблицу 6-2).

Когда G=0, фактическим пределом является значение 20-битного поля предела, т.к. появляется в дескрипторе.(32) — 1 или 4 гигабайта).

Для всех типов сегментов, кроме раскрывающихся сегментов данных, значение предел на единицу меньше, чем размер (выраженный в байтах) сегмента. То процессор вызывает исключение общей защиты в любом из следующих случаев:

  • Попытка доступа к байту памяти по адресу > limit.
  • Попытка доступа к слову памяти по адресу >= limit.
  • Попытка доступа к двойному слову памяти по адресу >= (limit-2).
Для раскрывающихся сегментов данных ограничение выполняет ту же функцию, но интерпретируется по-разному.(32) — 1 (4 Гбайта) в зависимости от B-бита. Ан сегмент расширения вниз имеет максимальный размер, когда предел равен нулю. (Включение раскрывающегося бита меняет местами, какие байты доступны а какие нет)

Функция расширения вниз позволяет увеличить размер стека на копирование его в больший сегмент без необходимости обновления внутреннего стека указатели.

Поле предела дескрипторов для таблиц дескрипторов используется процессор, чтобы программы не могли выбирать запись таблицы за пределами таблица дескрипторов.Ограничение таблицы дескрипторов определяет последний действительный байт последнего дескриптора в таблице. Так как каждый дескриптор восемь байтов, предельное значение равно N * 8 — 1 для таблицы, которая может содержать до N дескрипторов.

Проверка пределов выявляет ошибки программирования, такие как неуправляемые индексы и неверные вычисления указателя. Такие ошибки обнаруживаются при их возникновении, поэтому что легче выявить причину. Без проверки пределов, такие ошибки могли повредить другие модули; наличие таких ошибок не будет быть обнаружены до тех пор, пока поврежденный модуль не будет вести себя неправильно, и когда определение причины затруднено.

Таблица 6-2. Полезные комбинации битов E, G и B

Случай: 1 2 3 4

Направление расширения U U D D
G-бит 0 1 0 1
B-бит X X 0 1

Нижняя граница: 0 0 LIMIT+1 shl(LIMIT,12,1)+1

Верхняя граница: LIMIT shl(LIMIT,12,1) 64K-1 4G-1

Максимальный размер сегмента: 64K 4G 64K-1 4G-4K
                      0-FFFF 0-FFFFFFFF !(0-0) !(0-FFFF)

Минимальный размер сегмента: 1 4K 0 0
                        0-0 0-FFFF !(0-FFFF) !(0-FFFFFFFF)

shl (X, 12, 1) = сдвинуть X влево на 12 бит, вставив один бит справа

 

6.3.1.3 Уровни привилегий

Концепция привилегии реализуется путем присвоения значения от нуля до три к ключевым объектам, распознаваемым процессором. Это значение называется уровень привилегий. Нулевое значение представляет наибольшую привилегию, значение три представляет наименьшую привилегию. Следующее распознаваемые процессором объекты содержат уровни привилегий:
  • Дескрипторы содержат поле, называемое уровнем привилегий дескриптора (ДПЛ).
  • Селекторы содержат поле, называемое уровнем привилегий запрашивающей стороны (РПЛ).RPL предназначен для представления уровня привилегий процедура, создающая селектор.
  • Внутренний регистр процессора записывает текущий уровень привилегий (ЦПЛ). Обычно CPL равен DPL сегмента, который процессор работает в данный момент. CPL меняется по мере контроля перенесены в сегменты с разными DPL.
Процессор автоматически оценивает право процедуры на доступ другой сегмент путем сравнения CPL с одним или несколькими другими уровнями привилегий.Оценка выполняется в то время, когда селектор дескриптора загружается в сегментный регистр. Критерии, используемые для оценки доступа к данные отличаются от данных для оценки передачи управления исполняемому сегменты; поэтому два типа доступа рассматриваются отдельно в следующие разделы.

Рисунок 6-2 показывает, как эти уровни привилегий можно интерпретировать как кольца защиты. Центр для сегментов, содержащих наиболее важные программное обеспечение, обычно ядро ​​операционной системы.Наружные кольца предназначены для сегменты менее критического программного обеспечения.

Нет необходимости использовать все четыре уровня привилегий. Существующее программное обеспечение который был разработан для использования только одного или двух уровней привилегий, может просто игнорировать другие уровни, предлагаемые 80386. Одноуровневая система должна использовать нулевой уровень привилегий; двухуровневая система должна использовать нулевой уровень привилегий и три.

6.3.2 Ограничение доступа к данным

Чтобы адресовать операнды в памяти, программа 80386 должна загрузить селектор сегмент данных в регистр сегментов данных (DS, ES, FS, GS, SS).То процессор автоматически оценивает доступ к сегменту данных, сравнивая уровни привилегий. Оценка выполняется в то время, когда селектор для дескриптор целевого сегмента загружается в регистр сегмента данных. В виде Рисунок 6-3 показывает, что в этот тип входят три различных уровня привилегий. проверки привилегий:

  1. CPL (текущий уровень привилегий).
  2. RPL (уровень привилегий запрашивающего) селектора, используемый для указания целевой сегмент.
  3. DPL дескриптора целевого сегмента.
Инструкции могут загружать регистр сегмента данных (и впоследствии использовать целевой сегмент) только в том случае, если DPL целевого сегмента численно больше больше или равно максимальному CPL и RPL селектора. В других словами, процедура может получить доступ только к данным, которые находятся на том же или меньшем привилегированный уровень.

Адресуемый домен задачи меняется по мере изменения CPL. Когда CPL равен нулю, доступны сегменты данных на всех уровнях привилегий; когда CPL один, только доступны сегменты данных на уровнях привилегий с первого по третий; когда CPL равно трем, доступны только сегменты данных с уровнем привилегий три.Этот свойство 80386 можно использовать, например, для предотвращения приложений процедуры чтения или изменения таблиц операционной системы.

6.3.2.1 Доступ к данным в сегментах кода

Менее распространенным, чем использование сегментов данных, является использование сегментов кода для хранить данные. Сегменты кода могут законно содержать константы; Нет можно записать в сегмент, описанный как сегмент кода. Следующее возможны методы доступа к данным в сегментах кода:
  1. Загрузить регистр сегмента данных с помощью селектора несоответствующего, читаемый исполняемый сегмент.
  2. Загрузить регистр сегмента данных с помощью селектора соответствующего, читаемый исполняемый сегмент.
  3. Используйте префикс переопределения CS для чтения доступного для чтения исполняемого сегмента, селектор уже загружен в регистр CS.
К случаю 1 применяются те же правила, что и для доступа к сегментам данных. всегда действителен, потому что уровень привилегий сегмента, соответствующий бит которого установлен фактически такой же, как CPL, независимо от его DPL. Случай 3 всегда действителен, поскольку DPL сегмента кода в CS по определению равен CPL.

6.3.3 Ограничение передачи управления

В 80386 передача управления осуществляется с помощью инструкций СПМ, ВЫЗОВ, РЕТ, INT и IRET, а также по исключению и прерыванию механизмы . Исключения и прерывания являются особыми случаями, которые Глава 9 охватывает. В этой главе обсуждается только JMP, CALL и инструкции RET.

«Близкие» формы JMP, CALL и Передача RET по текущему коду сегмент, и поэтому подлежат только проверке предела. Процессор гарантирует, что пункт назначения JMP, ЗВОНИТЕ или Инструкция RET не превышает лимит текущего исполняемого сегмента.Этот лимит кэшируется в регистр КС; следовательно, проверки защиты для ближних передач не требуют дополнительные такты.

Операнды «дальних» форм СПМ и CALL относится к другим сегментам; поэтому процессор выполняет проверку привилегий. Есть два способа СПМ или CALL может относиться к другому сегменту:

  1. Операнд выбирает дескриптор другого исполняемого сегмента.
  2. Операнд выбирает дескриптор шлюза вызова. Эта закрытая форма передача обсуждается в следующем разделе о шлюзах вызовов.
В виде

Автоматическая сегментация нижней челюсти по КТ-изображению с использованием трехмерной полностью сверточной нейронной сети на основе DenseASPP и ворот внимания

Цель: В черепно-челюстно-лицевой хирургии большое клиническое значение имеет точное и автоматическое сегментирование нижней челюсти по КТ-изображениям. Однако связанная область и размытая граница в зубах и мыщелках усложняют процесс.В настоящее время нижняя челюсть обычно сегментируется опытными врачами с использованием ручных или полуавтоматических методов, что занимает много времени и имеет плохую согласованность сегментации. Кроме того, существующие методы автоматической сегментации все еще имеют проблемы, такие как неправильная оценка области, низкая точность и трудоемкость.

Методы: Для решения этих проблем в этой статье был предложен метод автоматической сегментации нижней челюсти с использованием трехмерной полностью сверточной нейронной сети, основанной на объединении плотно связанных пространственных пирамид (DenseASPP) и воротах внимания (AG).Во-первых, в сеть был добавлен модуль DenseASPP для извлечения плотных признаков в разных масштабах. После этого модуль AG был применен в каждом пропускном соединении, чтобы уменьшить нерелевантную фоновую информацию и сосредоточить внимание сети на областях сегментации. Наконец, функция потерь, сочетающая коэффициент кости и фокусные потери, использовалась для устранения дисбаланса между категориями выборки.

Результаты: Результаты тестирования показали, что предложенная сеть дала относительно хороший результат сегментации с оценкой Dice 97.588 ± 0,425%, пересечение по союзу 95,293 ± 0,812%, чувствительность 96,252 ± 1,106%, среднее поверхностное расстояние 0,065 ± 0,020 мм и 95% расстояние Хаусдорфа 0,491 ± 0,021 мм в точности сегментации. Сравнение с другими сетями сегментации показало, что наша сеть не только имела относительно высокую точность сегментации, но и эффективно уменьшала ошибочную оценку сети. Между тем, ошибка расстояния до поверхности также показала, что наши результаты сегментации были относительно близки к истине.

Вывод: Предлагаемая сеть имеет лучшую производительность сегментации и реализует точную и автоматическую сегментацию нижней челюсти. При этом время его сегментации составляет 50,43 с на один КТ, что значительно повышает эффективность работы врача. В будущем это будет иметь практическое значение в черепно-челюстно-лицевой хирургии.

Ключевые слова: Ворота внимания; Плотная АСПП; Полностью сверточная нейронная сеть; Сегментация нижней челюсти.

ядро ​​Linux — дескриптор сегмента против дескриптора шлюза

Дескриптор сегмента определяет сегмент, который будет использоваться для адресации. Сегмент либо предопределяется инструкцией ( movsb , scasb ), предопределяется формой инструкции (используется в реальном режиме, например, адресация bp основана на ss ), либо переопределяется префиксом переопределения сегмента . Дескрипторы сегментов хранятся в (G|L)DT .

Дескриптор шлюза обычно относится к IDT.Мы знаем шлюзы прерываний (используются для аппаратного обеспечения), шлюзы ловушек (они предназначены для исключений процессора и программных прерываний) и шлюзы задач (используются для переключения задач аппаратного обеспечения). Разница между ними очень мала (шлюзы прерываний запрещают другие прерывания, пока не будет выполнено фактическое), но в IDT они имеют разное битовое представление.

Врата вызова — это отдельная глава. Они находятся в LDT / GDT , а не в IDT . Их битовое поле Type должно быть установлено на 1100b , и у них нет base и limit , а другой селектор сегмента, который следует использовать для кода, и , смещение в этом сегменте.Основные функции шлюза вызова: указывается …

  1. Целевой сегмент кода (индекс другого дескриптора сегмента, хранящийся в таблице дескрипторов)
  2. Точка входа для любой процедуры, которую может использовать код с некоторым минимальным уровнем привилегий (используя поле offset )
  3. Количество необязательных параметров, которые необходимо скопировать между стеками при переключении задач (для этой цели зарезервировано 5 бит, поэтому максимальное значение равно 31)
  4. Размер значений в стеке (16/32 бит)

Список функций отсюда.

Современная операционная система обычно не использует шлюзы вызовов, а использует шлюзы-ловушки, хранящиеся в IDT , потому что они быстрее. Эти «ловушки» вызываются с использованием int или sysenter (и возврат выполняется с использованием iret/iretd или sysexit ). Если вы хотите использовать шлюз вызова, вам потребуется дескриптор шлюза в GDT / LDT , jump far для входа в call gate и ret far для возврата назад. Обратите внимание, что инструкции sysenter и sysexit передают управление только между кольцом ядра (0) и кольцом пользователя (3), в то время как шлюзы вызовов не имеют этих ограничений.

Определение сегментов населения для эффективного…

Введение

Люди не все одинаковы. Например, программа общественного здравоохранения может захотеть понять различные причины, побуждающие молодых женщин, подверженных риску заражения ВИЧ, начинать или воздерживаться от доконтактной профилактики 1–3 . В рамках другой программы может потребоваться убедить домохозяйства сократить использование угля для приготовления пищи. В частном секторе компания по снижению веса может планировать рассылку адресных сообщений людям, сидящим на диете, чтобы помочь им придерживаться своих целей.В каждом случае конкретное поведение, представляющее интерес, может формироваться очень разными факторами, будь то барьеры или стимулы 4 . Проще говоря, не все клиенты одинаково мотивированы на достижение одних и тех же целей.

Сегментация — это подход к выявлению этих движущих сил путем разделения населения на отдельные подгруппы («сегменты»), каждая из которых имеет общие определяющие характеристики. Психоповеденческая сегментация подчеркивает, что эти различия могут быть связаны не только с различиями в демографических или социально-экономических факторах, которые, возможно, являются самыми основными дифференцирующими факторами, традиционно используемыми для формирования подгрупп, но и с различными поведенческими моделями, лежащими в основе поведения. такие как убеждения и другие внешние и перцептивные факторы 5–7 .

Исследования рынка в частном секторе уже давно выявили преимущества психоповеденческой сегментации для убеждения, и в той или иной форме компании уже несколько десятилетий применяют этот метод к микроцелевым клиентам 7,8 . Сегментация работает: в недавнем исследовании сопоставление сообщений с драйверами, специфичными для сегмента, увеличило покупательское поведение в Интернете на 50% по сравнению с несопоставленными или несопоставленными сообщениями 9 . Этот подход также принимается государственным сектором и сектором развития, хотя и более медленными темпами 5 .

Существует несколько барьеров для масштабного внедрения психоповеденческой сегментации: наряду с пробелами в финансировании вероятной причиной является отсутствие опыта, который до сих пор был в значительной степени сконцентрирован в частном секторе исследований рынка и в академических кругах. Опыт частного сектора в разработке, проведении и анализе исследований по сегментации редко становится прозрачным для других, чтобы их можно было воспроизвести или адаптировать. С другой стороны, характеристики и предположения, лежащие в основе науки о данных алгоритмов сегментации, подробно описаны в научной литературе 2,10 .Что необходимо, так это ресурс, который объединяет как программные, так и технические соображения, позволяя заинтересованным сторонам в развитии и частном секторах выявлять и сообщать о полезных решениях сегментации. Насколько нам известно, не существует комплексного руководства, охватывающего как программные, так и технические аспекты сегментации, и эта статья призвана устранить этот пробел.

Надежная и действенная психо-поведенческая сегментация включает в себя множество вариантов, и в этой статье излагаются передовые практические рекомендации для всех этапов процесса (рис. 1).Они включают в себя сбор нужного опыта в команде, определение того, какую группу людей сегментировать, принятие решения о том, следует ли и как разрабатывать качественные и количественные первичные исследования и выбирать соответствующие входные данные для сегментации, принятие обоснованных аналитических решений в кластерном анализе и оценку того, как расставлять приоритеты в сегментах. и определить членство в сегменте на индивидуальном уровне в поле. Затем могут быть разработаны и реализованы по нужным каналам надлежащие вмешательства, ориентированные на конкретный сегмент, а не на все случаи жизни.

Рис. 1. Процесс сквозной сегментации.

Этот путь охватывает общие и подробные этапы и точки принятия решений, а также целевые результаты на каждом этапе от концептуализации до разработки исследования, реализации, анализа и определения целей. Предполагается максимальная рабочая нагрузка для программы, когда набор данных de novo должен быть создан посредством первичных исследований. Возможны и другие сценарии. Например, после определения цели и структурирования потенциальных драйверов программы могут обнаружить, что они могут использовать существующие наборы данных, и в этом случае они могут сразу перейти к кластерному анализу.В любом случае критические шаги взаимосвязаны и сильно зависят друг от друга. Поэтому их следует рассматривать вместе с самого начала.

Мы стремимся сделать процесс проектирования, анализа и применения сегментации доступным для всех заинтересованных сторон, участвующих в проекте сегментации. Сотрудничество имеет ключевое значение, и технические и контекстные эксперты должны задавать друг другу правильные вопросы. Например, исследователь сочтет полезным понять, что программа в конечном итоге стремится сделать с сегментацией или сколько сегментов она сможет вмешаться.И наоборот, руководитель программы может извлечь выгоду из понимания аналитического выбора, который делает специалист по данным (например, какие переменные включить), поскольку они должны отражать контекст программы и приводить к различным результатам.

Так называемые «неконтролируемые» алгоритмы машинного обучения, включающие методы кластерного анализа, являются основным аналитическим инструментом и предметом рассмотрения в этой статье. На протяжении всего процесса сегментации решающее значение имеет итерация, а сегментация — это и наука, и искусство.Практики должны учитывать, для чего в конечном итоге будет использоваться сегментация, выбирать, какие данные и переменные использовать, экспериментировать с несколькими аналитическими методами и сравнивать результаты с экспертными знаниями и реальной ценностью результатов.

Шаги, описанные здесь, являются всеобъемлющими, и мы ожидаем, что исследователи и разработчики будут адаптировать, пропускать и расширять различные части этого подхода в зависимости от их собственной ситуации. В некоторых программах уже могут быть данные, и мы рекомендуем им учитывать их значение для сегментации, прежде чем начинать с нуля.В других случаях экспертное знание предметной области может позволить программам пропустить вторичные или предварительные первичные исследования. Однако и исследователи, и исполнители должны усвоить, что понимание и эффективное изменение поведения подразумевает понимание различий не только в демографических характеристиках и моделях поведения, но также в ценностях и убеждениях, лежащих в основе этого поведения. В этой статье излагаются принципы выявления и решения этой неоднородности, и мы обсуждаем их в свете выбора, сделанного в недавнем исследовании добровольного медицинского мужского обрезания для профилактики ВИЧ в Зимбабве и Замбии 3 .

Методы

Сбор основных заинтересованных сторон и определение общих целей

Технически обоснованная и осуществимая сегментация зависит от вклада междисциплинарной группы, охватывающей набор различных характеристик: лица, принимающие решения, эксперты в области программы, разработчики исследований с поведенческими опыт, специалисты по данным, обладающие навыками кластерного анализа, и разработчики вмешательств. Хорошее решение на всех этапах сегментации (рис. 1) зависит от совместной работы и взаимного тестирования под давлением.

После того, как команда собрана, очень важно уточнить и согласовать конечную цель проекта сегментации: каково целевое поведение, для которого следует понимать различия в движущих силах, таких как убеждения, структурные ограничения или демография? Кого следует сегментировать? И для чего, в конечном счете, может быть использована сегментация? Например, программа общественного здравоохранения может захотеть уменьшить воздействие малярии в регионе. Основным целевым поведением может быть использование надкроватных сеток, обращение за медицинской помощью при обнаружении первых симптомов или приверженность лечению.Каждое из этих поведений будет иметь разные драйверы, которые служат входными переменными для кластерного анализа. Они также будут охватывать различные ключевые заинтересованные стороны, такие как существующие больные малярией или матери, принимающие решения о покупках для своих домохозяйств. Люди также могут быть сегментированы для разных целей, например, для того, чтобы они были индивидуально ориентированы активными группами по выявлению случаев, или, альтернативно, чтобы правительства могли предлагать портфель продуктов, которые могут понравиться различным сегментам. Четкое понимание того, кого сегментировать и с какой целью, также позволяет исследователям позже более эффективно сузить потенциальные входные переменные и создать значимые и действенные сегменты.

Структурирование потенциальных переменных в качестве входных данных для сегментации

Сегментация требует количественных данных – напр. числа, баллы, шкалы, категории – содержат ряд переменных, которые могут быть связаны с целевым поведением, различаются у разных людей и, по крайней мере, некоторые из которых можно изменить с помощью вмешательств. Алгоритмы будут полагаться исключительно на эти переменные для группировки людей. Выбор слишком большого количества переменных приведет к тому, что сегменты будут плохо дифференцированы по каждой отдельной переменной.Сегментирование по переменным, не связанным с релевантным целевым поведением, не позволит программам разрабатывать вмешательства, меняющие интересующие результаты. Распространенной ошибкой является то, что алгоритм сегментации всегда будет находить некоторых сегментаций, независимо от того, насколько плохо сегменты действительно различаются по основным переменным или насколько бездейственным является решение. Практики должны убедиться, что входные и выходные данные имеют смысл, а экспертное понимание проблемы, людей и контекста должно сообщить, какие переменные используются в качестве входных данных.Чаще всего для этого требуется проведение первичных исследований.

Крайне важно составить исходный список переменных, включая демографические характеристики, модели поведения, а также внешние и перцептивные барьеры и факторы, связанные с целевым поведением 4 . Ошибка в перечислении исчерпывающего числа переменных может быть полезной: не все они будут служить входными данными для окончательной сегментации, но отсутствие ключевых факторов, связанных с целевым поведением, сильно снизит ценность конечного результата.

Категории переменных: демографические, поведенческие, перцептивные, контекстуальные. Можно зафиксировать широкий диапазон переменных, описывающих демографические характеристики, включая возраст, местонахождение, доход, уровень образования и другие социально-экономические характеристики. Большинство этих переменных не будут использоваться для составления психоповеденческих сегментов. Вместо этого они могут позже использоваться для «профилирования» сегментов — процесса описания сегментов на основе переменных, не включенных в саму сегментацию, — и сужения областей, на которые должны быть направлены вмешательства.

Для переменных, отражающих поведение, полезно сосредоточиться на тех, которые, вероятно, связаны с целевым поведением. Например, если пациенты должны быть сегментированы по их препятствиям для обращения за медицинской помощью, сбор данных может быть направлен на сбор данных об их предыдущих взаимодействиях с поставщиками медицинских услуг, общем поведении по уходу за собой и поиске информации.

Хорошо проверенная основа поведенческой теории может помочь структурировать потенциальные контекстуальные и перцептивные факторы. Поведенческая структура CUBES (чтобы изменить поведение, понять барьеры, возможности и этапы изменения), например, может быть использована для того, чтобы помочь программам перечислить типы драйверов, которые потенциально могут быть задействованы в том или ином поведении, оценить существующие данные о том, какие драйверы на самом деле важны, и спланируйте первичное исследование, чтобы закрыть пробелы в доказательствах 4 .CUBES был синтезирован из самых надежных научно обоснованных подходов к систематическому исследованию поведения 9,11,12 . Он утверждает, что поведение происходит в континууме от осознания к намерению, действию и далее, и различные факторы могут способствовать или препятствовать движению по этому спектру. Эти движущие силы могут быть контекстуальными, такими как инфраструктура, правила, системы и процессы, или перцептивными, такими как убеждения, эмоции и предубеждения человека. Слои влиятельных лиц и каналов опосредуют эти драйверы.

Использование существующих исследований для выявления пробелов в знаниях. Используя описанную выше структуру потенциальных движущих сил, можно провести структурированный обзор литературы и/или интервью с экспертами, чтобы выяснить, что уже известно о вероятных препятствиях и факторах, способствующих целевому поведению. Например, исследование может показать, что убеждения о рисках для здоровья, связанных с процедурой, являются основным препятствием для пациентов, решивших пройти ее. В целях сегментации полезно сосредоточиться на барьерах и посредниках, которые не демонстрируют широкого согласия в целевой группе, поскольку они могут создавать отдельные сегменты.Затем полученные результаты можно использовать для обновления списка переменных для предстоящего сбора данных и уточнения их. Например, в то время как модель поведения может служить ориентиром для поиска представлений о восприятии риска, вторичные исследования могут помочь точно определить, о каких рисках люди беспокоятся.

На основе обзора литературы и/или интервью с экспертами можно затем составить список «слепых зон доказательств»: какое поведение или движущие силы поведения хорошо изучены, а какие нет? Например, имеется ли достаточно данных о социально-экономических факторах и инфраструктуре, определяющих целевое поведение, но нет данных о социальных нормах? Если имеется достаточно информации для разработки структурированного количественного исследования, качественное исследование (см. ниже) можно пропустить.

На этом этапе программы могут счесть полезным сформировать первоначальные гипотезы о том, как потенциальные драйверы могут группироваться вместе, и набросать предварительные сегменты или архетипы, воплощающие в жизнь предполагаемые существенные различия. Архетипы могут дать четкое представление о том, что необходимо подвергнуть качественной и/или количественной проверке под давлением, и могут быть снова уточнены после качественного исследования. Однако также важно оставаться непредубежденным в отношении того, что сегменты, полученные на основе данных, могут отличаться от предполагаемых группировок.

Исследовательское качественное исследование

Когда о целевом поведении известно относительно немного, качественное первичное исследование является для программ отличным способом углубить свои знания исследовательским путем и, в конечном счете, повысить свои шансы на успешную сегментацию. Для сегментации цель качественного исследования состоит в том, чтобы помочь структурировать и уточнить элементы количественного исследования. Следовательно, этот шаг можно пропустить, если имеются обширные знания о вероятных движущих силах целевого поведения.Если программы решат разработать и провести качественное исследование, они могут выбрать сочетание качественных методов для углубленного изучения выявленных «слепых зон» в целевой группе, уравновешивая их относительную силу и слабость. Примеры включают подробные интервью, «картирование пути», которое отслеживает поведение и отношение с течением времени, упражнения по принятию решений и наблюдения 3,4 . Количественные опросы на данном этапе не подходят, поскольку их цель состоит в том, чтобы обеспечить открытые ответы и неожиданные выводы.Фокус-группы, которые могут скрывать индивидуальные различия при взаимодействии отдельных респондентов друг с другом, также могут быть менее полезными для исследования гетерогенности.

Для проведения качественного исследования программы могут нанять авторитетное исследовательское агентство для полевого внедрения качественных методов и контроля за обучением исследовательского персонала. Небольшой выборки, возможно, 20–30 респондентов, часто бывает достаточно, поскольку целью на этом этапе является глубина понимания для уточнения дальнейших исследований, а не репрезентативность.Для анализа качественных исследований программы могут использовать стандартные качественные подходы, такие как тематический анализ, чтобы можно было выявить закономерности («темы») в данных 13 . Темы могут соответствовать списку входных переменных, определенных ранее, и в этом случае ответы могут дать представление о том, как должны быть сформулированы вопросы для количественного исследования, или какие варианты ответов должны быть предоставлены. Качественное исследование также может дать новые темы и входные переменные.

Сбор количественных данных

Сегментация требует количественных данных — часто из вопросников — для определения подгрупп.Некоторые программы уже собрали или получили набор данных, на котором они хотят выполнить сегментацию. Если эти данные удовлетворяют требованиям количественного анализа сегментации (см. ниже), например содержат релевантные переменные для сегментации, достаточно большой размер выборки, релевантные переменные профилирования и шкалы ответов, допускающие достаточную вариабельность, программа может перейти к количественному анализу и вообще не собирать никаких новых данных. Для тех, у кого еще нет данных или кто считает свои существующие данные непригодными для сегментации на основе этих параметров, в этом разделе объясняется, как оптимизировать сбор количественных данных для целей сегментации.

Определение охвата и подхода к выборке. Определение объема и масштаба количественного исследования требует баланса между стремлением к тонкой информации и доступными ресурсами. Как и в любом количественном исследовании, более крупные выборки могут создать более достоверную картину населения. Кроме того, чем больше выборка, тем больше переменных, которые можно включить в сегмент, и тем больше нюансов можно выделить в сегментах. Один из подходов к моделированию предполагает, что 100 наблюдений на переменную — это хорошее эмпирическое правило 14 , хотя обычно потребность в наблюдениях растет экспоненциально с увеличением количества входных переменных.Таким образом, надежная схема количественной сегментации обычно включает как минимум несколько сотен, а возможно, и более тысячи респондентов. С другой стороны, если программы уже знают, что они ограничены вмешательствами, воздействующими лишь на небольшой набор факторов (и, в свою очередь, для сегментации требуется мало переменных), а ресурсы для сбора данных ограничены, более целенаправленная сегментация может помочь. делать в меньшем масштабе.

При планировании выборки исследователи могут учитывать процент успешных и неудачных попыток целевого поведения: например, чтобы понять препятствия к использованию надкроватных сеток для борьбы с малярией, единицы выборки не должны в основном состоять из групп населения с очень высоким уровнем использования надкроватных сеток .

Дизайн вопросника

Можно сделать ссылку на важные темы, возникающие в результате качественных исследований, чтобы решить, какие вопросы задавать и как, следуя передовой практике для выявления поведенческих факторов. Например, если людей нужно спросить об их восприятии риска и самоэффективности в отношении профилактики заболеваний, можно адаптировать существующие опубликованные вопросы 15 . В Таблице 1 показан пример того, как различные факторы, используемые для сегментации и профилирования, были преобразованы в элементы опроса для недавно опубликованного исследования сегментации факторов добровольного медицинского обрезания мужчин в Замбии и Зимбабве, обсуждаемого в разделе «Результаты» 3 .

Таблица 1. Преобразование поведенческих факторов в элементы опроса для сбора данных.

Эти элементы выборки, связанные с различными факторами поведения 4 , представляют собой выдержку из вопросника, использованного для опроса зимбабвийских мужчин в возрасте 15–29 лет с целью выяснить, как мужчины относятся к добровольному мужскому медицинскому обрезанию 3 . VMMC — Добровольное медицинское мужское обрезание.

0 2 знаю/моя семья
Construct /
поведенческий водитель
масштабил
Точное осведомленность
VMMC
7-очко (полностью не согласен
– полностью согласен)
После обрезания мужчина не может заболеть, поэтому
ему больше не нужно использовать презервативы для профилактики ВИЧ 5-балльная шкала Лайкерта (определенно никаких преимуществ
— определенно преимущества)
Основываясь на том, что вы знаете об обрезании, какое из следующих
утверждений лучше всего описывает ваше мнение о преимуществах, которые может дать вам мужское обрезание
?
Представления о восприятии риска
— серьезность
7-балльная шкала Лайкерта (полностью не согласен
— полностью согласен)
В процессе заживления после мужского обрезания человек испытывает
постоянную боль, с которой трудно справиться
Убеждения о восприятии риска
— высокая вероятность 18 что я могу заразиться ВИЧ
Вера в самоэффективность Трудно контролировать, заразишься ты ВИЧ или нет — даже если я сделаю все возможное, я все равно смогу заразиться
Социальные нормы 5-балльная шкала Лайкерта (не разговаривайте с
другими мужчинами – поднимайте эту тему даже
с мужчинами, которых я не знаю)
Whic Какое из следующих утверждений лучше всего описывает ваши дискуссии
с другими мужчинами о мужском обрезании?
Выборочные переменные, использованные для профилирования
Влиятельные лица Категориальные Кто или какие источники информации побудили вас начать верить1 в мужское обрезание?
Демографические данные Категорический Каково ваше семейное положение?
Статус обрезания Категориальный Вы ​​обрезаны? Обрезание
обрезаны, если бы услуга была для вас бесплатной?
Медиа-привычки Категориальный Как вы обычно ищете медицинскую информацию в Интернете?
Рискованное поведение 7-балльная шкала Лайкерта (полностью не согласен
– полностью согласен)
движущие силы целевого поведения могут свидетельствовать о том, что лишь нескольких переменных достаточно, чтобы объяснить различия в целевом поведении в популяции.В этом случае анкеты для сбора данных сегментации могут занимать всего несколько минут, в них задаются только критические вопросы. С другой стороны, большая неопределенность в отношении того, какие драйверы являются наиболее важными, потребует сбора большего набора переменных для исследовательского анализа. В любом случае первичное исследование всегда должно соответствовать рекомендациям по планированию передовой практики, таким как избегание слишком длинных вопросников, чтобы избежать усталости от опроса.

Еще на этапе проектирования стоит запланировать переменные масштабы, необходимые для различных алгоритмов сегментации.Чтобы использовать самые простые алгоритмы сегментации, переменные, используемые в качестве входных данных для сегментации, лучше всего фиксировать как непрерывную или аппроксимативно-непрерывную шкалу (например, шкалу Лайкерта). Непрерывные переменные по-прежнему могут быть преобразованы в категориальные данные, если это необходимо, и существуют алгоритмы сегментации для учета сочетания непрерывных и категориальных данных (см. ниже). Другие переменные, например те, которые используются для профилирования (описания) сегментов, могут использовать любую шкалу.

Если позволяют ресурсы, данные, которые позже могут пригодиться для профилирования сегментов, также могут быть захвачены.Не существует фиксированного правила, определяющего, какие переменные используются в качестве входных данных для сегментации, а какие для профилирования, но рекомендуется сегментировать факторы, которые не меняются часто и полезны при определении целевых вмешательств. Напротив, профилирующие переменные обеспечивают контекст и могут обогатить понимание программой сегментов, упрощая определение стратегий для их идентификации и нацеливания на них. Например, переменная «любимые телешоу» не подходит для сегментации, так как она может часто меняться, и поэтому сегменты не будут оставаться стабильными с течением времени; но сегменты могут быть профилированы по тем телешоу, которые они в настоящее время предпочитают, чтобы обогатить повествование.Одно из преимуществ отнесения некоторых переменных к профилированию заключается в том, что оно ограничивает количество параметров сегментации и, следовательно, помогает заострить различия по наиболее важным параметрам.

Перед масштабным развертыванием анкеты полезно провести «предварительное когнитивное тестирование» инструментов исследования в полевых условиях. Респондентов можно опросить, чтобы оценить, как интерпретируется вопрос и дает ли вопрос и его масштаб полезные ответы. Вопрос, который неправильно понят или приводит к небольшим различиям в ответах, может быть изменен или удален.

Для сбора данных программы снова могут нанять исследовательское агентство. Исследовательские агентства, специализирующиеся на сборе количественных данных, могут отличаться от тех, которые занимаются качественными исследованиями. Когда сбор данных передается на аутсорсинг, может быть целесообразно контролировать обучение исследовательского персонала целям исследования, пониманию и постановке вопросов, зондированию и кодированию ответов. Хотя протоколы обучения различаются, эффективное обучение персонала должно проводиться как в классе, включая ролевые игры, так и под наблюдением на местах.

Количественный анализ сегментации

Даже в наборе скудных данных аналитики обычно сталкиваются с большим количеством переменных, чем разумно включать в сегментацию, и переменные могут быть в формате, не подходящем для алгоритмов, которые могут быть выбраны. Оптимальное решение для сегментации не будет известно заранее, и итерация имеет решающее значение. Аналитики и вся команда могут включать различные наборы переменных, преобразовывать переменные различными способами от непрерывных до категориальных, создавать составные переменные, пробовать разные алгоритмы с разными параметрами и критически оценивать решения, чтобы определить, стоит ли конкретный анализ.Поэтому приведенные ниже соображения следует рассматривать как часть итеративного процесса, а не как серию шагов, пройденных только один раз.

Определение переменных, входящих в сегментацию. Исходное исследование описательных данных является ключевым, и часто бывает очень полезно просто посмотреть на распределение каждой переменной, чтобы определить те, которые наиболее сильно различаются между людьми. Переменные с низкой изменчивостью могут быть важными предикторами поведения и поэтому сами по себе могут быть объектами вмешательства, но редко полезны для сегментации.Простое изучение гистограмм для каждой из переменных часто дает достаточное представление о совокупности и оттачивает интуицию для данных, которые имеют решающее значение для последующих многократных итераций анализа. Точно так же можно изучить корреляции и диаграммы рассеяния между переменными, чтобы понять основные закономерности ковариации.

Анкета почти всегда будет включать несколько пунктов тестирования для одного и того же базового драйвера. Включение каждого из этих вопросов в сегментацию перевешивает важность этого фактора в построении сегментов.Решение состоит в том, чтобы выполнить уменьшение размерности, что просто означает уменьшение количества переменных, используемых в качестве входных данных для алгоритма. Чаще всего это происходит путем объединения нескольких ответов в один общий балл. Например, несколько вопросов, проверяющих знания о том, что такое медицинский товар и где он доступен, могут составить комбинированный тест на «осведомленность». Другой вариант — вручную выбрать один из группы вопросов, который считается наиболее актуальным и репрезентативным для водителя, удалив другие переменные.Наконец, можно использовать статистические методы для уменьшения размерности, такие как каноническая корреляция, анализ основных компонентов или факторный анализ. Они также могут сообщить исследователям, какие переменные наиболее репрезентативны для лежащих в основе конструкций, что является полезным индикатором при выборе переменных.

Предварительная обработка: масштабирование и преобразование переменных. Как неконтролируемый кластерный анализ, основанный на показателях несходства между людьми, которые имеют совершенно разные диапазоны значений (например,г. одна переменная выражена в годах, а другая в днях) может преувеличить важность некоторых переменных просто из-за их масштаба. Масштабирование переменных, например, в виде стандартных отклонений от среднего, часто является необходимым шагом. Однако при наличии категориальных, порядковых или бинарных переменных масштабирование можно пропустить и использовать альтернативные способы вычисления расстояний, такие как расстояние Гауэра (см. ниже). Хотя желательно собирать непрерывные ответы, где это возможно (поскольку они, как правило, содержат больше информации, чем категориальные ответы), будут случаи, когда большинство переменных в данных были собраны как категориальные.Существуют превосходные алгоритмы сегментации, которые принимают только категориальные переменные (например, анализ скрытых компонентов), но для этого потребуется преобразовать оставшиеся непрерывные переменные в категориальные переменные путем разрезания распределения в разумных точках. То, что обеспечивает «разумное» сокращение, зависит от экспертных знаний, распределения данных и проб и ошибок, чтобы увидеть, что дает наиболее полезные сегменты.

Изучение конкурирующих алгоритмов сегментации. Разработка алгоритмов сегментации была активной областью исследований в течение как минимум полувека 16 .Не существует универсального лучшего алгоритма, а оптимальный алгоритм должен быть обнаружен путем понимания данных, сильных и слабых сторон самих алгоритмов и оценки выходных данных алгоритма в сравнении с целями проекта. К счастью, для удовлетворительного решения подавляющего большинства случаев использования требуется понимание лишь нескольких алгоритмов. Мы даем краткий обзор некоторых из этих методов (таблица 2) и более подробно описываем два распространенных семейства неконтролируемых алгоритмов: иерархическая кластеризация и кластеризация k-средних.

Таблица 2. Выбор алгоритма определяется формой исходных входных данных, взвешиванием преимуществ и недостатков.

Кластеризация на основе расстояния состоит из относительно простых алгоритмов и наиболее широко используется. Кластеризация на основе моделей имеет множество применений, и анализ скрытых классов особенно полезен, когда существуют только категориальные данные. Двухшаговая кластеризация — это метод, основанный на модели, но он также зависит от предполагаемых расстояний между людьми. Как обсуждалось в тексте, контролируемая кластеризация с использованием деревьев решений может быть полезна в определенных обстоятельствах.«Ручная сегментация» добавлена, чтобы подчеркнуть, что часто все население делится на подгруппы для таргетинга без использования какого-либо алгоритма, например. путем ручной установки возраста или географического предела на основе предварительных знаний или изучения описательной статистики. Обзор распространенных алгоритмов кластерного анализа.


.



около
около
Медоиды)
Medoids)

Matrix
7 Кластеризация
Алгоритм имя Исходные данные Особенно подходит для Преимущества Недостатки Пример
Расстояние на основе неконтролируемой кластеризации
Иерархическая
кластеризация
Несхожесть
Матрица
Быстрые исследования, визуализация
Решения по кластеризации с помощью дендрограмм
Универсальный метод, поскольку он может
использовать любую метрику расстояния.
Дендрограмма дает полезную информацию о количестве кластеров.
Обязуется объединить большинство
смежных записей без пересмотра группировок

может потребовать, например, k-средства для
уточнения кластеров.
Симптомы кластеризации
неэффективных малярий в
пациентам полуиммунной амазонки
18
k-средства K-средства непрерывные
переменные только
(стандартизированные)
непрерывные наборы данных, быстрое
данные
Простые, широко используемые, многочисленные инструменты
для оценки оптимального количества кластеров
Переменные должны иметь одинаковую шкалу
; Кластеры должны проехать
подобное размеру в пространстве и быть
сферическими
Различия в
Матрица
Данные с выбросами (более устойчивые, чем
k-средства), смешанные данные, которые могут быть
, преобразованные в дистанцию ​​GOWER
Работает с любым расстоянием матрица.
Немного более надежен, чем
k-средних. Центрами кластера являются
фактические экземпляры из данных
Вычисление
занимает немного больше времени, чем вычисление k-средних (тривиальное
для большинства наборов данных)
распределительный кластеризацию на основе распределения
Латентный класс


конечной смеси
модель)
Модель (
)
9091
категорические
Переменные только
преобразован в категориальный
Один из немногих методов, созданных для
, работает с категориальными переменными.
Результаты просты для интерпретации
(вероятности класса). Как смесь
модель, выходы метрики до
оценка оптимального класса номер
теряют информацию как непрерывные
дистрибутивы дискретизированы
гетерогенность в городских
парк пользуется посетителями старения 21
Gaussian
смешанные модели
многомерные
гауссовские
распределенные данные
и, следовательно,
непрерывные данные
только
непрерывные данные, где это может быть и стандартное отклонение) Если k-средние предполагают
круговое распределение, GMM могут
соответствовать любым данным в форме эллипса case в реальных данных
Потребительский сегмент МАНТАЦИЯ
на основе здравоохранения
Мотивные ориентации и
Фруктовые и овощные
Потребление 22



Кластеризация
Непрерывная
и категорические
Переменные
Большие данные (решает некоторые вычисления
вопросов) , автоматическое решение.Аналогичен
иерархической кластеризации, но использует оценку расстояния на основе модели
.
Последовательно группирует записи,
похожие, затем выполняет
иерархическую кластеризацию по этим группам.
Предоставляет список релевантности
каждой переменной для решения кластеризации
. Делает тяжелую работу
от начала до конца, включая предложение оптимального решения
.
Порядок записей имеет значение для окончательного решения
. Только СПСС.
Подгруппировка апартаментов
Экологическая медицина
Агрегат с использованием кластерного анализа SCL-90-R и
23
Контролируемая кластеризация
Дерево решений
(E.г. Chaid:
Chi-Square
Автоматический
Взаимодействие
Обнаружение
Обнаружение) 9091
Любое смесь из
Типы переменных
Сегментации с одним результатом
Переменная для направления процесса и
Следовательно, является единственным контролируемым методом
в этой таблице для создания сегментов в качестве побочного эффекта
. Полезно, если сегменты должны быть
оптимально разделены одной целевой
переменной.
Построение сегмента очень
прозрачно, а правила разделения
явны
Совокупность разделена только по большинству
прогностических переменных,
поэтому может не демонстрировать значительной
дифференциации по другим
(в противном случае действенным)
переменным.Требуется соответствующий
и надежно измеренный результат
. Листья дерева должны быть профилированы, чтобы обогатить описание
за пределами нескольких переменных в дереве решений
.
Финансовое профилирование Public
Больницы: заявка на
Добыча данных 24
Руководство (без алгоритма)
вручную определяют
Cut-офф на
Группы (№
Кластеризация

алгоритм
Участие в 90 . какие переменные
важны, и здравый смысл
или «на глазок» могут указать
на то, что представляет собой релевантная подгруппа (например,
).г. в электронной коммерции
, всем, кто
не был на веб-сайте более 30 дней)
Быстрый, использует знания домена
, прост в реализации,
не подвержен капризам алгоритмов
Никогда не будет лучше, чем
интуиция, человеческий разум может
учитывать только несколько переменных
Вмешательства, нацеленные на
группы, где сегменты
определены априори, например, по местонахождению, возрасту,
грамотности или истории болезни 25
9004 Одно соображение не является аналитическим, а основан на ограничениях программы.Например, вынуждены ли исполнители разрабатывать мероприятия для ограниченного числа сегментов? Должны ли целевые сегменты представлять хотя бы определенный процент рынка? Заботится ли программа больше всего о размере сегмента или о том, сколько членов сегмента подвержено риску заражения или распространения определенного заболевания? В зависимости от этих обсуждений (а также приведенных ниже соображений по приоритизации сегментов) параметры алгоритма, в первую очередь количество кластеров, запрошенных у алгоритма, могут быть скорректированы для удовлетворения этих ограничений.

A priori , не очевидно, какой алгоритм даст наилучшее решение для нахождения сегментов, которые четко различимы и пройдут «проверку работоспособности» разделения данных способом, который имеет реальный смысл. Поэтому мы рекомендуем исследователям выполнить ряд итерационных анализов с конкурирующими алгоритмами и сравнить их с целями и ограничениями проекта. В целом, человеческое суждение имеет решающее значение на протяжении всего анализа. Инвестирование в хорошие способы общения, визуализации и сравнения различных решений с коллегами, не являющимися техническими специалистами, приносит дивиденды, когда приходит время применять решение для сегментации.Ни одна часть анализа не должна быть изолирована от людей, принимающих решения о том, как будут использоваться сегменты, и от тех, кто хорошо знает население.

Два алгоритма кластеризации, на которых мы здесь сосредоточимся, — иерархическая кластеризация и метод k-средних — основаны на «расстоянии» между людьми, группируя людей, находящихся близко друг к другу, в пространстве, созданном входными переменными. Однако часто наборы данных включают категориальные переменные (такие как мужчина/женщина или город/село), ​​которые естественным образом не создают пространства для расчета расстояний.Это требует использования альтернативных алгоритмов. В других случаях кластеры имеют необычную форму, которая плохо обрабатывается одними алгоритмами, но не обрабатывается другими. Для решения этих и других проблем существует множество типов кластерных алгоритмов и метрик расстояния, пример которых описан в таблице 2. Важно отметить, что реальные данные очень редко соответствуют идеализированным примерам, и только визуализация и итерация покажет лучший способ создания сегментов (показан на рис. 2, код доступен как расширенные данные 17 ).

Рисунок 2. Идеализированные и реалистичные результаты кластерного анализа k-средних (верхняя панель) и иерархического (нижняя панель).

Реальность психоповеденческой сегментации заключается в том, что редко бывают четко определенные кластеры. Мы иллюстрируем это смоделированными данными, показывающими сегментацию с двумя входными переменными в контексте прохождения теста на заболевания, передающиеся половым путем (ЗППП): чувствительность к давлению со стороны сверстников с целью прохождения теста и восприятие риска ЗППП для здоровья. В идеализированном случае (слева) явно есть три кластера, обнаруженные алгоритмом k-средних, идеально отделенные друг от друга.Дендрограмма этих данных в левом нижнем углу также показывает четкую точку, в которой дерево можно «разрезать» для определения кластеров (как это делается при иерархической кластеризации). Однако в реальном мире (справа) переменные часто нормально распределены и зашумлены. K-средние по-прежнему будут идентифицировать три сегмента, потому что это количество сегментов было указано заранее, но очевидно, что на самом деле «кластеризация» людей незначительна. Точно так же дендрограмма этих данных предлагает потенциальные точки отсечения на нескольких высотах, которые кажутся одинаково разумными.Это не означает, что кластеры не могут быть полезны в этом случае, поскольку существуют различия в чувствительности к давлению со стороны коллег и восприятию риска между сегментами. Однако в адаптированных вмешательствах можно было бы отразить, что люди, находящиеся в середине облака, не так уж сильно отличаются друг от друга. Код для создания этих графиков доступен по адресу https://github.com/SurgoFoundation/segmentation.

Иерархическая кластеризация. Иерархическая кластеризация начинается с обработки всех точек данных как единого кластера и их постепенного разделения («разделение») или с обработки каждой точки данных как отдельного кластера и их постепенного объединения («агломерация»).Это часто представляется в виде «дендрограмм», визуально показывающих иерархию слияния (рис. 2, нижняя панель). Даже если это может оказаться неподходящим конечным решением для определенного набора данных, мы рекомендуем использовать иерархическую кластеризацию для начального визуального исследования данных. Ключевым преимуществом иерархической кластеризации является то, что ее можно использовать с непрерывными, категориальными или даже порядковыми и смешанными данными, в зависимости от используемой меры расстояния. Еще одним преимуществом этого метода является то, что он не определяет заранее количество кластеров, на которые будет разбито решение.Он также показывает иерархию группировок, а не единую группу, как это делают k-средние и подобные алгоритмы, что делает его хорошо подходящим для начального исследования данных. Недостатком является то, что после слияния с сегментом точки данных останутся выделенными для этого сегмента по всей иерархии, поэтому однажды построенные сегменты не улучшаются итеративно.

Для выполнения иерархической кластеризации аналитики должны сначала определить меру расстояния между точками данных. Кластеры разделяются или объединяются в зависимости от того, находятся ли точки данных близко друг к другу или далеко друг от друга в пространстве, определяемом входными переменными.Следовательно, выбранная мера расстояния важна и определяет форму кластеров. Евклидово расстояние, представляющее собой прямую линию между точками данных, часто используется по умолчанию для непрерывных переменных, предоставляемых во многих аналитических пакетах. Для категорийных или смешанных данных следует выбирать другие меры расстояния, такие как расстояние Гауэра, которое основано на сочетании мер расстояния, подходящих для каждого типа переменных. Другим показателем сходства, используемым только для непрерывных данных, является корреляция между ответами любых двух людей: высокая корреляция предполагает сходство ответов (даже если абсолютные значения ответов могут не совпадать).Затем необходимо определить меру расстояния между кластерами. Должны ли кластеры объединяться на основе максимального («полная связь»), минимального («простая связь») или другого (например, «среднего») показателя расстояния между элементами каждого кластера? Полное связывание часто используется по умолчанию, например, в функции «hclust» в языке программирования R, и различные методы связывания изменяют результирующие разбиения в дендрограмме. Аналитики могут построить дендрограммы и оценить, имеют ли смысл полученные разбиения.

Кластеризация K-средних. Наиболее часто используемый алгоритм сегментации — кластеризация k-средних. Он работает, только если данные непрерывны (или приближаются к непрерывности). Также требуется, чтобы количество кластеров было задано заранее. Одним из ключевых преимуществ метода k-средних является то, что он является относительно быстрым и простым, поскольку аналитик должен принимать меньше решений. Другим является итеративное улучшение решений кластеризации: алгоритм сначала случайным образом выбирает центральные точки («центроиды») для заданного числа кластеров, распределяет точки данных по ближайшим к ним центроидам, а затем усредняет точки данных для вычисления новых центроидов.Этот процесс повторяется до тех пор, пока не будет достигнут критерий остановки, например заданное количество итераций. На практике оказалось достаточным 20–50 итераций 26 . Недостатки кластеризации k-средних заключаются в том, что количество кластеров должно быть установлено заранее; что, в отличие от иерархической кластеризации, кластеры состоят из центра со сферой вокруг него и поэтому не могут обнаруживать группы разных форм 27 или сфер разных размеров; и что это не подходит для категориальных данных (но подходят модифицированные версии k-средних, см. ниже).

Другие типы и модификации алгоритмов. В зависимости от типов переменных и успеха предыдущих шагов можно исследовать другие алгоритмы (таблица 2). Чаще всего практики сталкиваются с проблемой работы с категориальными данными, не поддающимися k-средним. Это можно преодолеть, используя метрику расстояния, которая допускает категориальные переменные (например, расстояние Гауэра) и ввод расстояний в иерархическую кластеризацию или разбиение вокруг медоидов (PAM).В качестве альтернативы, некоторые алгоритмы, такие как модифицированный алгоритм k-средних для категориальных данных 28 или двухэтапная кластеризация 29 , могут использоваться для работы с категориальными данными. Другие подходы концептуально более далеки от представленных здесь методов, таких как анализ скрытых классов, в котором строится модель скрытых классов, а точкам данных присваивается вероятность принадлежности к классу 10 . Этот метод особенно полезен, если данные состоят только из категориальных переменных.

Оценка решений. Оценка конкурирующих решений и определение наилучшего количества кластеров — это опять-таки командная работа. Не существует однозначно оптимального количества сегментов, но в целом результат полезен, если сегменты:

  • различны по соответствующим измерениям со статистически значимыми различиями между сегментами;

  • , на которые может воздействовать программа (см. рис. 3 для критериев, которые программы могут использовать для определения приоритетов среди сегментов).

Рисунок 3. Структура PACERS для определения приоритетов сегментов.

Лучшим решением будет то, которое дает наиболее полезные сегменты, и перед принятием решения об оптимальном количестве кластеров необходимо понять преимущества нескольких решений. Это потребует разработки нескольких решений и обсуждения с заинтересованными сторонами преимуществ и недостатков каждого из них. Помимо практических соображений, таких как количество целевых вмешательств или продуктов, которые можно разумно разработать, различные методы помогают определить количество кластеров для использования.Ни один метод полностью не позволяет избежать субъективности, но следующие шаги объединяют сочетание методов для оценки результатов кластерного решения.

Во-первых, идентичность кластеров можно нанести на диаграммы рассеяния данных для различных решений, чтобы визуально определить, упущены ли очевидные закономерности или, наоборот, навязаны ли закономерности данным, даже если они выглядят однородными (как в случае на рис. 2, справа). панель). Кроме того, аналитики могут использовать сочетание визуальных и статистических инструментов для оценки разделения.Одним из примеров является визуальный метод «локоть», в котором общая сумма квадратов внутри кластера отображается для растущего числа кластеров. «Изгиб» или «локоть» на графике и последующее плато указывают на то, что добавление дополнительных кластеров не объясняет большей дисперсии. Альтернативой является аналогичный метод «силуэта», в котором рассматривается, насколько хорошо каждая точка данных вписывается в свой кластер. Статистические индикаторы, такие как Pseudo-F, Pseudo-T или «статистика разрыва», могут добавить понимания. Статистика Pseudo-F дает отношение дисперсии между кластерами к дисперсии внутри кластеров.Когда индекс построен в зависимости от количества кластеров, большие значения указывают на плотные и отчетливые кластеры. Статистика Pseudo-T является мерой различия между кластерами, объединенными вместе. Таким образом, скачки индекса в зависимости от количества кластеров указывают на оптимальное количество кластеров. Статистика разрыва проверяет дисперсию внутри кластера для ряда кластеров и сравнивает ее с нулевой гипотезой случайного равномерного распределения. На графике выходных данных для разного количества кластеров оптимальное количество кластеров максимизирует статистику разрыва.Если статистика разрыва указывает на громоздкое количество кластеров, обычно выбирается количество кластеров, после которого наклон увеличения начинает выходить на плато 30 .

Отсутствие «колена» или небольшие различия в статистических показателях для разных кластерных решений могут указывать на то, что используемый алгоритм не может найти кластеры или что в данных нет четких кластеров. Это не означает, что полезные подгруппы не будут найдены, но границы между подгруппами будут размыты (сравните рисунок 2, левая панель и правая панель).В любом случае аналитики могут перепроверить решение, выбрав случайным образом несколько членов сегмента и изучив их входные данные: в целом, оправдывают ли их ответы членство в сегменте? Если нет, можно попробовать другое решение. Итерация полезна в любом случае, поэтому вышеописанные шаги можно повторять с разными алгоритмами, включая последовательное использование методов. Как в Sgaier и др. . 3 , иерархическая кластеризация может, например, сначала использоваться для визуального изучения того, какое количество сегментов имеет наибольшее значение для данных, а затем кластеризация k-средних для уточнения сегментов за пределами жесткости иерархического подхода.Реже этот порядок можно изменить на обратный 27 .

Еще один полезный индикатор для оценки кластерного решения — проверка того, связаны ли доступные показатели результатов, которые не использовались для создания кластеров, но должны коррелировать с интересующим поведением, с кластерами ожидаемым образом. Например, в кластерном решении, рассматривающем различные стили здорового образа жизни, членство в кластере, ориентированном на здоровье, должно предсказывать высокий, а не низкий уровень использования ремней безопасности. Демографические переменные могут служить дополнительной проверкой здравомыслия: если использование ремней безопасности увеличивается с возрастом, эта переменная также должна следовать аналогичному распределению в кластерах здорового образа жизни (т.т. е. в более ориентированных на здоровье кластерах можно было бы ожидать больше пожилых людей). В качестве другого примера, кампании вмешательства, направленные на злоупотребление алкоголем в США, могут использовать курение в качестве критерия результата, коррелирующего с пьянством в больших количествах 31,32 .

После принятия решения сегменты могут быть охарактеризованы путем составления таблиц или графиков переменных, по которым они различаются. Кроме того, они могут быть описаны повествовательно. Называть сегменты описательными именами сегментов, чтобы их ключевые различия были очевидны, важно и оживляет их.

Приоритизация и определение целей

PACERS: система приоритизации. В любой программе ресурсы редко позволяют нацеливаться на все сегменты с одинаковыми усилиями одновременно. Равная направленность также может быть нежелательным подходом во всех случаях. Программы могут расставлять приоритеты, рассматривая сочетание факторов, обобщенных в структуре PACERS для определения приоритетов сегментов (рис. 3): целевое поведение.

  • Доступность, или насколько легко могут быть идентифицированы члены сегмента: например, сегмент может характеризоваться высокой вовлеченностью в структуры социальных сообществ доступный в одном сегменте, может быть проще, чем изменение глубоко укоренившихся социальных норм в другом

  • Простота вмешательства с учетом имеющегося бюджета, опыта и других ресурсов организации-исполнителя

  • сегмент был бы подвержен, если бы не был приоритетным

  • Потенциал социального воздействия, например, что члены определенных сегментов могут с большей вероятностью стать защитниками в своих сообществах.

  • Разработка целенаправленных вмешательств для устранения барьеров, характерных для сегмента. Сегментация полезна для разработки вмешательств, специально предназначенных для ключевых факторов и барьеров каждого приоритетного сегмента. Вмешательства могут принимать различные формы, включая кампании по массовой коммуникации, финансовые стимулы, личную поддержку и улучшение условий инфраструктуры. Например, если некоторые женщины не используют определенные средства временной контрацепции из-за боязни постоянного бесплодия, разработчики программ могут сделать для них соответствующее сообщение или предложить альтернативный продукт, который лучше соответствует их потребностям.Для другого сегмента ключевым барьером может быть социальная норма демонстрации рождаемости за счет многодетности, и в этом случае необходима более постоянная работа по изменению социальных норм.

    На членов сегмента можно ориентироваться индивидуально или рассчитывать на их самостоятельный выбор вмешательств на макроуровне, таких как коммуникационные кампании, направленные сразу на несколько драйверов. В любом случае сообщения и интервенционные помощники должны пройти пилотное тестирование, прежде чем расширять масштабы их использования.

    Один из способов определить членство в сегменте для таргетинга на отдельных лиц — использовать инструмент ввода сегментов (рис. 4).Такой инструмент берет только несколько точек данных и выводит прогнозируемый сегмент человека. Если инструмент для набора текста развертывается вместе с ручкой и бумагой в полевых условиях, деревья решений являются хорошим вариантом 3 . Инструменты типизации на основе дерева решений определяют наиболее предсказуемые вопросы для определения идентичности сегмента, создавая серию вопросов, которые нужно задать в полевых условиях. Если при администрировании инструмента набора текста доступен компьютер, можно использовать более требовательные к вычислительным ресурсам инструменты набора текста, такие как дискриминантный анализ.Ожидаемую точность в полевых условиях можно определить, создав инструмент ввода на подмножестве данных (обучающий набор) и применив его к остальным (тестовый набор). Часто инструмент ввода может иметь проблемы с различением двух сегментов или плохо работать с одним конкретным сегментом. Общим моментом принятия решения будет то, какой точностью нужно пожертвовать в интересах сохранения краткости инструмента набора текста и какие сегменты наиболее важны для точного ввода.

    Рис. 4. Типичная схема инструмента для ввода сегментов.

    Для индивидуального таргетинга полевые работники или другие заинтересованные лица могут использовать инструменты ввода, которые быстро определяют, к какому сегменту, скорее всего, принадлежит человек. Разделения в инструменте типизации на основе дерева решений могут быть основаны как на категориальных, так и на непрерывных переменных, и выбираются алгоритмом для максимально точной идентификации членов каждого сегмента. Давая ответы на каждый вопрос, человек затем распределяется на сегмент в конце своего пути. Здесь мы показываем гипотетический пример того, как может выглядеть инструмент ввода для распределения родителя по существующим сегментам, связанным с поведением детей в отношении вакцинации.Родитель в данном сегменте может с большей или меньшей вероятностью вакцинировать своего ребенка по разным причинам. Затем полевой работник может выбрать вмешательство или сообщение, которые, скорее всего, найдут отклик в этом конкретном сегменте. Для практичности инструменты набора текста часто придерживаются трех или четырех наиболее предсказуемых вопросов. Однако эта практичность имеет компромисс с точностью набора текста: чем точнее должен быть инструмент набора текста, тем больше вопросов необходимо задавать.

    Мониторинг и оценка сегментного подхода. Мониторинг сегментов с течением времени помогает определить, какие из них растут, сокращаются или иным образом изменяются по релевантности. Например, один сегмент может состоять из беременных женщин, проживающих более чем в 5 км от больницы. Если через год по государственной инициативе будет построено много новых объектов, то этот сегмент сократится и станет менее актуальным для инвестиций. Точно так же может быть внедрена отличная транспортная система до объектов, то есть сегмент не изменится в размерах (расстояние до объектов равно все тот же), но не требует дальнейшего вмешательства, так как основная проблема доступа решена.Размер и актуальность каждого сегмента можно отследить с помощью простых опросов или, в некоторых случаях, сторонних данных.

    Оценка воздействия подхода сегментации может выполняться на нескольких уровнях. Во-первых, можно отслеживать ключевые показатели эффективности программы, чтобы гарантировать, что подход, основанный на сегментах, не ставит под угрозу общее выполнение программы. Во-вторых, показатели конверсии или успешности программы можно сравнить до и после внедрения сегментного подхода. Один из вариантов заключается в том, что подход, основанный на сегментах, развертывается в разных местах и ​​в разное время с использованием подхода «ступенчатого клина».Это прагматичный и эффективный дизайн исследования, который позволяет оценить причинно-следственную связь недавно введенного метода 33 . Наконец, для определенных типов вмешательств может быть выполнена оценка воздействия, при которой целевое лицо определяется, а затем случайным образом назначается либо вмешательство, соответствующее его типу, либо общее контрольное вмешательство. Такое «общее» вмешательство может быть универсальным вмешательством, предпринятым до введения сегментного подхода, или несоответствующим вмешательством.Если люди, соответствующие сегменту, демонстрируют лучшее поведение в отношении целевого поведения, чем люди из контрольной группы, это дает причинно-следственные доказательства влияния подхода, основанного на сегментах 9 .

    Результаты

    Практический пример: сегментация мужчин для профилактики ВИЧ. Добровольное медицинское мужское обрезание (ДМКМ) является проверенной мерой по снижению риска заражения мужчин ВИЧ 34 . Тем не менее, в странах юга Африки, в том числе в Зимбабве и Замбии, целевые показатели внедрения ДММК остались на прежнем уровне.Различные в основном качественные исследования из разных регионов выявили разные причины отказа от процедуры, в том числе боязнь медицинских осложнений, социальную стигматизацию или предполагаемый низкий риск заражения ВИЧ 35 . Однако относительная важность этих разнородных барьеров, а также возможное существование других были неизвестны. Поэтому для достижения более высокого уровня ДММК было необходимо количественно определить надежные подгруппы мужчин, которые различались по своим барьерам для ДММК, и нацелить на них вмешательства, направленные на устранение этих барьеров.В этом тематическом исследовании описывается, как программа с участием многих заинтересованных сторон развернула проект сегментации, отражающий сквозные методы, описанные выше. Полный подход, включая результирующие сегменты и инструмент ввода, описан в другом месте 3 , но здесь мы выделяем несколько решений, принятых на ключевых этапах структуры процесса, представленной на рисунке 1.

    В начале проекта руководство программы собрал разнообразную команду, состоящую из представителей министерств здравоохранения Зимбабве и Замбии, исследовательских агентств, неправительственных организаций (НПО), обладающих практическим опытом реализации программ по ВИЧ в Зимбабве и Замбии, и доноров.Предыдущее исследование определило целевую группу для вмешательств ДММО как мужчин в возрасте 15–29 лет 36,37 , а обзор литературы выявил возможные факторы ДММО 3 . Исходя из имеющихся данных, крайне важно понять этапы, которые проходят мужчины от осознания ДММК до намерения (или мотивации) пройти его и, наконец, до действия. Качественное картирование путешествия осветило эти этапы, а качественные игры по принятию решений дополнительно исследовали потенциальные барьеры, заполнив пробел в существующих доказательствах.Совокупность выводов из обзора литературы и новых качественных исследований предоставила четкое руководство о том, какие вопросы следует задать в последующем количественном опросе, чтобы получить наиболее актуальные и действенные переменные для сегментации.

    Затем была нанята опытная компания по исследованию рынка для сбора данных опроса с использованием личных интервью и помощи в определении соответствующего размера выборки. Анкета была разработана с использованием непрерывных рейтинговых шкал, а не категоричных ответов, где это возможно, чтобы обеспечить большую гибкость кластерного анализа.Кроме того, каждый потенциальный интересующий фактор был измерен с помощью нескольких вопросов, где это было возможно, чтобы повысить точность измерения конструкции (см. Таблицу 1). Сотрудники полевых исследований вводили ответы в систему на базе планшетов, что повышало качество и полноту данных по сравнению с вопросниками, заполняемыми ручкой и бумагой.

    Аналитический процесс был повторяющимся, аналитики регулярно обсуждали результаты с полевыми и программными командами, а также с лицами, принимающими решения. Принятый подход воплощает в себе многие из шагов, показанных на рисунке 1.Во-первых, уменьшение размерности данных обеспечило проведение кластерного анализа соответствующих переменных. Во-вторых, команда оценивала решения по действенности, а также по статистическим показателям и маркировала сегменты на основе распределения входных переменных, а также поведенческих переменных. В-третьих, приоритизация сегментов, направленная на то, чтобы новые решения были применимы наиболее эффективным образом. В некоторых сегментах были обнаружены препятствия для сегментации, на которые можно было нацелиться, они были достаточно большими, чтобы быть релевантными, и подвергались риску заражения ВИЧ, если их не лечить.Наконец, разработка инструмента для набора текста позволила полевым работникам определить, к какому сегменту принадлежит мужчина, используя только инструмент с ручкой и бумагой, в отличие от инструмента для компьютерного набора текста, для которого требуется приложение и подключение к Интернету. Полевые работники были оснащены набором целевых вмешательств, таких как «измерители боли», визуализирующие дискомфорт, который можно было ожидать от процедуры для тех сегментов, которые особенно боятся боли 5 . В настоящее время это решение для сегментации развертывается в больших масштабах как в Зимбабве, так и в Замбии, и оценки его воздействия будут опубликованы позднее.

    Полезно рассмотреть недостатки вмешательства ДМОМ, развернутого без знания сегментов населения. Вместо сегментации аналитики могли бы сосредоточиться на выявлении общих связей с помощью прогнозного моделирования. Например, страх перед болью и осложнениями, связанными с ДММК, может предсказывать отказ от обрезания и побуждать к вмешательству, облегчающему такие страхи. Можно выделить несколько таких предикторов (например, чувство стыда, восприятие низкого риска), и, таким образом, несегментированный подход также может привести к портфелю вмешательств.Однако основным недостатком этого подхода является то, что каждое вмешательство должно быть развернуто для каждого мужчины, даже если у большинства мужчин будет только подмножество барьеров для ДММК, которые необходимо устранить. Другими словами, подход, не основанный на сегментах, упустил бы группы населения, характеризующиеся специфическими барьерами, упустил бы возможность отреагировать на такую ​​неоднородность в поле. Еще одно преимущество доступа к богатству сегментов заключается в том, что легче воспринимать тонкости, которые различают подгруппы, а не сосредотачиваться исключительно на прогностических связях с поведением.Например, это может выявить медиа-каналы, через которые можно было бы развернуть вмешательство, чтобы лучше всего охватить сегмент, или то, как несколько сообщений могут быть связаны друг с другом.

    Обсуждение

    В этой статье о методах рассказывается, как лица, принимающие решения, разработчики программ и исследователи могут концептуализировать, разрабатывать, выставлять на поле, анализировать и воздействовать на решение для психо-поведенческой сегментации. Такой процесс сегментации представляет собой командную работу и должен включать все эти группы, чтобы объединить опыт в области знаний, дизайна поведенческих исследований, расширенного анализа данных и разработки вмешательства.Этот подход, который обеспечивает всесторонний обзор всех необходимых шагов и основных моментов принятия решений в одном месте, должен сделать процесс более доступным как для программ государственного сектора, так и для компаний частного сектора, не в последнюю очередь позволяя экспертам в предметной области и специалистам по данным задавать вопросы. друг другу правильные вопросы и сосредоточиться на шагах, наиболее важных для них.

    На большинстве этапов процесса сегментации необходимо сделать критический выбор (рис. 1), и, хотя для простоты мы представляем эти этапы как линейный процесс, на самом деле ключевым моментом является итерация, например, между этапами выбора переменных и тестирования алгоритмов.Самое главное, сегментация следует принципу «мусор на входе, мусор на выходе». Когда это происходит, выбор и план вмешательства рискуют не соответствовать реальным движущим силам поведения. Поэтому важно тщательно продумать параметры для сегментации и способы получения данных, которые их измеряют. Выбор алгоритма и выбор параметров — еще один важный шаг, так как ни один алгоритм не даст однозначно оптимального решения без экспериментов и итераций, в которых участвуют как разработчики, так и аналитики (рис. 2).

    В дополнение к этой статье мы выбрали дополнительные практические ресурсы, которые помогут практикам применять сегментацию в своих программах (таблица 3).

    Таблица 3. Набор практических инструментов для сегментации кластера.

    Этот неполный список дает практикующему врачу отправную точку для извлечения уроков из тематических исследований в этой области, работы с примерами из практики сегментации кластеров с использованием языка программирования R и обращения к более подробным характеристикам основных алгоритмов кластеризации и их реализации. в популярных программных пакетах.

    0 9091 из программных практиков

    1 раздел 14.3 обсуждает кластеризацию в деталях
    . Включает примеры и ссылки на ключевые пакеты R
    Resource Описание

    Toolkit Toolkit 40 Это руководство Консультативной группой бедных (CGAP) фокусируется на планировании
    и сегментации ресурсов в условиях ограниченных ресурсов, включая тематические исследования, посвященные
    предоставлению финансовых услуг
    Расширенная сегментация аудитории для социальных и поведенческих Центр коммуникационных программ Джона Хопкинса (CCP), дайте краткий обзор шагов для успешных программ сегментации и ссылки
    на несколько тематических исследований из программ в этой области
    Кластерный анализ и сегментация 42 Образец варианта использования анализа данных, используемый в INSEAD, с использованием иерархического и иерархического анализа.Кластеризация k-средних
    , включая набор данных и код R
    Кластерный анализ K-средних 43 Учебное пособие по кластеризации k-средних в R
    Неконтролируемое машинное обучение: и многое другое 44 Обзор основных пакетов R для кластерного анализа с примером кода
    Краткий обзор mclust 45 Обзор и примеры методов кластеризации на основе моделей для пакета R mclust
    Избранные обзорные ресурсы и руководства
    по статистическому анализу
    Элементы статистического обучения 46 1 Учебник по статистике, но практический
    Обзор методов интеллектуального анализа данных кластеризации 47 Углубленный технический обзор основных алгоритмов кластеризации и их параметров
    Кластерный анализ в STATA 48 4 9 функциональные возможности кластеризации в STATA, популярной статистической программе
    Кластерный компонент SPSS TwoStep 29 Технический отчет IBM по кластерному алгоритму TwoStep для программного пакета SPSS
    Кластерный анализ 49 9085 Кластерный анализ 49 9085 руководство к программному пакету SYSTAT

    Преобразование характеристик сегментов в действенные вмешательства, которые воздействуют на ключевые факторы их соответствующего целевого поведения, требует глубоких знаний о проводимом вмешательстве, дизайнерского мышления и тщательного тестирования.Возможно, не все сегменты нуждаются в приоритизации, и представляемая здесь структура PACERS помогает программам сделать этот выбор (рис. 3). Наконец, сегменты никогда не бывают статичными по размеру и релевантности, особенно если вмешательства разворачиваются на основе сегментов. Успешные вмешательства сократят наиболее проблемные сегменты и увеличат процветающие, а внешние силы могут аналогичным образом повлиять на размер и значимость сегментов. Мониторинг сегментов гарантирует, что первоначальные усилия по сегментации окупятся в долгосрочной перспективе.

    Кластерный анализ, метод машинного обучения без присмотра, является отличным методом обнаружения закономерностей подобия, другими словами, для поиска скрытых группировок без необходимости формулировать явные предположения о том, какими должны быть эти группировки. Однако различия внутри популяций можно найти и другими методами (табл. 2). Например, анализ дерева решений может иерархически определять, какие переменные и взаимодействия статистически предсказывают возникновение целевого поведения.Неконтролируемые кластерные алгоритмы подходят, если не делается никаких предположений о группировках или данных и/или есть несколько интересных результатов, ни один из которых не должен сильно влиять на процесс сегментации. Напротив, методы на основе дерева решений являются «контролируемыми», поэтому могут классифицировать людей только по группам, которые в максимально возможной степени разделяют один заранее определенный интересующий результат (например, «достигнута цель производительности или нет»). Они наиболее подходят, когда основной целью анализа является поиск факторов, тесно связанных с определенным исходом 38 .Поэтому в этой статье мы сосредоточимся на неконтролируемом обучении, поскольку основная цель сегментации — найти группы людей, похожих друг на друга, а не найти переменные, которые предсказывают результаты. По той же причине мы рекомендуем методы с учителем, чтобы найти несколько наиболее важных факторов, которые распределяют людей по известным группам, как в сегменте «инструмент для набора текста» (рис. 4).

    Описанный здесь подход имеет несколько ограничений. Во-первых, сегментация, возможно, является не только наукой, но и искусством: невозможно рекомендовать единый «оптимальный» аналитический подход, поскольку выбор алгоритма и интерпретация результатов требуют экспериментирования и субъективного суждения.Однако это можно смягчить, поэкспериментировав с несколькими алгоритмами и их параметрами и прозрачно обсудив соответствующие результаты. Во-вторых, эта конкретная статья и обсуждаемое исследование о добровольном медицинском мужском обрезании в Зимбабве и Замбии сосредоточены на процессе формирования исходных данных, основанном на первичных полевых исследованиях. В масштабе, необходимом для сегментации, это может быть дорого и занимать много времени. Кроме того, определения сегментов — хотя они в идеале стабильны — могут меняться со временем.Доверие к анкетам также страдает от обычных опасений по поводу социальной желательности и других предубеждений респондентов 39 . Недавно было показано, что психоповеденческая сегментация, основанная на входных данных из пассивного сбора данных из социальных сетей, эффективна при создании сегментов и нацеливании на совпадающие сообщения для увеличения онлайн-покупок 9 . Однако для многих популяций таких профилей данных не существует, и поэтому их необходимо создавать в ходе исследований de novo . Предлагаемый здесь подход касается как (качественной) глубины, так и (количественной) широты, необходимых для получения значимых психоповеденческих данных в масштабе, и исследователи и разработчики могут выбирать из подходящих подходов к сбору данных.Наконец, в этой статье подробно не рассматривается, как проводить полное исследование воздействия подхода сегментации.

    Применение этого подхода широко, и «клиент» в сегментации клиентов может охватывать такие разнообразные группы, как граждане, взаимодействующие с сектором здравоохранения, специалисты и сотрудники, а также частные потребители конкретной услуги. Любая сфера деятельности, где поведение клиентов в настоящее время неоптимально, поддается вмешательству и, вероятно, подвержено влиянию различных барьеров и факторов, созрела для сегментации.Больше нет оправдания универсальным решениям многогранных проблем.

    Доступность данных

    Исходные данные

    Полное описание результатов тематического исследования представлено в Sgaier SK et al . 3 .

    Данные, лежащие в основе этого отчета (анонимные ответы на опросы), принадлежат правительствам Зимбабве и Замбии, и авторы обратились к соответствующим правительствам с просьбой сделать данные общедоступными. Этот запрос в настоящее время подлежит утверждению правительством.До тех пор, пока данные не станут общедоступными, данные предоставляются по обоснованному запросу (могут применяться критерии доступа, подлежащие оценке соответствующими правительствами). Запросы на доступ к данным можно направить по следующему адресу:

    Зимбабве

    Министерство здравоохранения и ухода за детьми

    Box CY1122, Causeway, Harare, Zimbabwe

    Тел.: +263 4 798555/60

    Электронная почта: [email защищено]

    Замбия

    Министерство общественного развития и социальных служб, ранее Министерство общественного развития, здоровья матери и ребенка

    Общественный дом, Садзу Роуд, Лусака, Замбия

    Тел.: +260 96 57

    Электронная почта: [email: [email] protected]

    Базовые данные

    Все данные, лежащие в основе результатов, доступны как часть статьи, и дополнительные исходные данные не требуются.

    Электронные логические вентили из трехсегментных нанопроволок с двумя гетеропереходами p–n

  • 1

    Хуанг Ю., Дуань X. Ф., Вей К. К. и Либер К. М. Направленная сборка одномерных наноструктур в функциональные сети. Наука 291 , 630–633 (2001).

    КАС Статья Google Scholar

  • 2

    Лю, Х.Б., Сюй, Дж.Л., Ли, Ю.Дж. и Ли, Ю.Л. Агрегатные наноструктуры органических молекулярных материалов. Согл. хим. Рез. 43 , 1496–1508 (2010).

    КАС Статья Google Scholar

  • 3

    Лу, Г., Ли, С.З., Го, З., Фарха, О.К., Хаузер, Б.Г., Ци, XY, Ван, Ю., Ван, X., Хань, С.Ю., Лю, XG, Дюшен , JS, Zhang, H., Zhang, QC, Chen, X., Ma, DJ, Loo, SCJ, Wei, WD, Yang, YH, Hupp, JT & Huo, FW Придание функциональности металлоорганическому каркасному материалу путем контролируемая инкапсуляция наночастиц. Природа Хим. 4 , 310–316 (2012).

    КАС Статья Google Scholar

  • 4

    Деван Р.С., Патил Р.А., Лин Дж.-Х. и Ма, Ю.-Р. Одномерные наноструктуры оксидов металлов: последние разработки в области синтеза, характеристик и приложений. Доп. Функц. Матер. 22 , 3326–3370 (2012).

    КАС Статья Google Scholar

  • 5

    Чжэн, Х.Ю., Ли, Ю.Дж., Лю, Х.Б., Инь, X.Д. и Ли, Ю.Л. Конструирование гетероструктурных материалов в направлении функциональности. Хим. соц. Ред. 40 , 4506–4524 (2011).

    КАС Статья Google Scholar

  • 6

    Chen, N., Qian, X.M., Lin, H.W., Liu, H.B. & Li, Y.L. Выращивание массивов однородных сополимерных нанопроволок для высокой стабильности и эффективной полевой эмиссии. Дж. Матер. хим. 22 , 11068–11072 (2012).

    КАС Статья Google Scholar

  • 7

    Морроу, Т.Дж., Ли, М.В., Ким, Дж., Майер, Т.С. и Китинг, К.Д. Запрограммированная сборка устройств с нанопроволокой, покрытых ДНК. Наука 323 , 352 (2009).

    КАС Статья Google Scholar

  • 8

    Chen, N., Qian, X.M., Lin, H.W., Liu, H.B., Li, Y.J. & Li, Y.L. Синтез и определение характеристик массивов неорганических и органических полупроводниковых нанопроводов с осевым гетеропереходом. Далтон Транс. 40 , 10804–10808 (2011).

    КАС Статья Google Scholar

  • 9

    Чаттопадхьяй, С., Чен, Л.-К. и Чен, К.-Х. Применение одномерных полупроводниковых наноструктур для производства и преобразования энергии. NPG Asia Materials 3 , 74–81 (2011).

    Артикул Google Scholar

  • 10

    Ву, Дж., Gerstandt, K., Zhang, HB, Liu, J. & Hinds, BJ. Электрофоретически индуцированный поток воды через мембраны из одностенных углеродных нанотрубок. Природа Нанотех. 7 , 133–139 (2012).

    КАС Статья Google Scholar

  • 11

    Бахтольд А., Хэдли П., Наканиши Т. и Деккер К. Логические схемы с транзисторами из углеродных нанотрубок. Наука 1317–1320 (2001).

  • 12

    Кьелструп-Хансен, Дж., Хансен, О., Рубан, Х.-Г. & Bøggild, P. Механические свойства органических нановолокон. Малый 2 , 660–666 (2006).

    КАС Статья Google Scholar

  • 13

    Weitz, R. T., Harnau, L., Rauschenbach, S., Burghard, M. & Kern, K. Полимерные нановолокна методом центробежного прядения без сопел. Нано Летт. 8 , 1187–1191 (2008).

    КАС Статья Google Scholar

  • 14

    Вс, С.Х., Мюррей, С.Б., Веллер, Д., Фолкс, Л. и Мозер, А. Монодисперсные наночастицы FePt и ферромагнитные нанокристаллические сверхрешетки FePt. Наука 287 , 1989–1992 (2000).

    КАС Статья Google Scholar

  • 15

    Чой, Дж. Дж., Лим, Ю.-Ф., Сантьяго-Берриос, М.Б., О, М., Хён, Б.-Р., Сун, Л.Ф., Бартник, А.С., Гоэдхарт, А., Маллиарас , GG, Abruña, HD, Wise, FW & Hanrath, T. Экситонные солнечные элементы на основе нанокристаллов PbSe. Нано Летт. 9 , 3749–3755 (2009).

    КАС Статья Google Scholar

  • 16

    Li, J., Zhang, Y.L., To, S., You, L.D. & Sun, Y. Влияние числа нанопроволок, диаметра и плотности легирования на чувствительность биосенсора nano-FET. ACS Nano 8 , 6661–6668 (2011).

    Артикул Google Scholar

  • 17

    Хохбаум А.И. и Ян, П. Д. Полупроводниковые нанопроволоки для преобразования энергии. Хим. Ред. 110 , 527–546 (2010).

    КАС Статья Google Scholar

  • 18

    Хамеди, М., Херланд, А., Карлссон, Р. Х. и Инганас, О. Электрохимические устройства, изготовленные из проводящих нанопроводных сетей, самостоятельно собранных из амилоидных фибрилл и алкоксисульфоната PEDOT. Нано Летт. 8 , 1736–1740 (2008 г.).

    КАС Статья Google Scholar

  • 19

    Алам, М.М., Ван Дж., Го Ю.Ю., Ли С.П. и Ценг Х.-Р. Транзисторы с электролитным управлением на основе массивов проводящих полимерных нанопроволок. J. Phys. хим. B 109 , 12777–12784 (2005).

    КАС Статья Google Scholar

  • 20

    Гутше К., Нипельт Р., Гнаук М., Лысов А., Прост В., Роннинг К. и Тегуде Ф.–Дж. Прямое определение длин диффузии неосновных носителей заряда на аксиальных p–n-переходах нанопроволок GaAs. Нано Летт. 12 , 1453–1458 (2012).

    КАС Статья Google Scholar

  • 21

    Протасенко В., Гордеев С. и Куно М. Пространственная и интенсивная модуляция излучения нанопроволок, индуцированного мобильными зарядами. Дж. Ам. хим. соц. 129 , 13160–13171 (2007 г.).

    КАС Статья Google Scholar

  • 22

    Крено, Л.Э., Леонг К., Фарха О.К., Аллендорф М., Ван Дайн Р.П. и Хапп Дж.Т. Металлоорганические каркасные материалы в качестве химических сенсоров. Хим. Ред. 112 , 1105–1125 (2012).

    КАС Статья Google Scholar

  • 23

    Xin, H., Reid, O.G., Ren, G.Q., Kim, F.S., Ginger, D.S. & Jenekhe, S.A. Солнечные элементы с объемным гетеропереходом из полимерной нанопроволоки/фуллерена: как наноструктура определяет фотоэлектрические свойства. ACS Nano 4 , 1861–1872 (2010 г.).

    КАС Статья Google Scholar

  • 24

    Сяо, К.-Т. и Лу, С.-Ю. Морфологическая модуляция оптоэлектронных свойств органо-неорганических наногибридов, полученных с помощью одностадийного процесса полимеризации осаждением из паровой фазы с совместной подачей. Дж. Матер. хим. 19 , 6766–6772 (2009).

    КАС Статья Google Scholar

  • 25

    Чен Ю., Криттенден, Дж. К., Хакни, С., Саттер, Л. и Хэнд, Д. В. Получение нового фотокатализатора нанотрубок с p-n-переходом на основе TiO2. Окружающая среда. науч. Технол. 39 , 1201–1208 (2005).

    КАС Статья Google Scholar

  • 26

    Guo, YB, Zhang, YJ, Liu, HB, Lai, SW, Li, YL, Li, YJ, Hu, WP, Wang, S., Che, CM & Zhu, DB Собранный органический/неорганический p Интерфейс −n-перехода и фотогальванический элемент на одном нанопроводе. J. Phys. хим. лат. 1 , 327–330 (2010).

    КАС Статья Google Scholar

  • 27

    Groenendaal, L.B., Jonas, F., Freitag, D., Pielartzik, H. & Reynolds, J.R. Поли(3,4-этилендиокситиофен) и его производные: прошлое, настоящее и будущее. Доп. Матер. 12 , 481–494 (2000).

    КАС Статья Google Scholar

  • 28

    Ся Ф., Zuo, XL, Yang, RQ, White, RJ, Xiao, Y., Kang, D., Gong, X., Lubin, AA, Vallée-Bélisle, A., Yuen, JD, Hsu, BYB & Plaxco, KW Электрохимические биосенсоры с двойным аналитом без меток: новый класс молекулярно-электронных логических вентилей. Дж. Ам. хим. соц. 132 , 8557–8559 (2010).

    КАС Статья Google Scholar

  • 29

    Силиг Г., Соловейчик Д., Чжан Д. Ю. и Уинфри Э. Логические схемы нуклеиновых кислот без ферментов. Наука 314 , 1585–1588 (2006).

    КАС Статья Google Scholar

  • segment gate — Испанский перевод – Linguee

    Создает нагрузку 5000 т на каждый из двух подшипников

    […] позиции т ч е сегментные ворота .

    schaeffler.com.ua

    Esto genera una carga de 5000 toneladas sobre cada uno de los dos

    […] родам т.е. нтос де ла компьютер .

    schaeffler.es

    Во время затопления тоннель

    […] закрыто по сегмент ворот ( г ади л ворота ) т га т должен выдержать […]

    давление воды 150 метров воды

    […]

    , когда резервуар заполнен.

    schaeffler.com.ua

    Дюранте-ла-Инундасин-эль-Тнель

    […] se cierra c на компьютере (compuerta r adial ) que debe […]

    soportar la presin del agua de una

    […]

    columna de agua de 150 metros, cuando la reserva est llena.

    schaeffler.es

    Скрининг может занять

    […] место у выхода вт r e ворота o r c быть централизованным

    при входе в стерильную зону.

    eur-lex.europa.eu

    Podr realizars e en la puerta de sa li da o Centralizarse en […]

    la entrada a una zona estril.

    eur-lex.europa.eu

    Это ясно видно из приведенного выше

    […] динамика цен на каждый r ан г е сегмент .

    eur-lex.europa.eu

    Ello se desprende claramente de las tendencias de los precios anteriormente

    […] s para cad a segmento d e g ama .

    eur-lex.europa.eu

    Определенная часть области будет

    […] с подсветкой выделяется ea c h сегмент .

    hella-press.de

    C a da segmento es t a sign ad o a cierta […]

    parte de la superficie a ser alumbrada.

    hella-press.de

    обеспечить, чтобы их власти, должностные лица, персонал, агенты и учреждения

    […]

    действовать в соответствии с этим обязательством; применить должную осмотрительность к

    […] предотвратить, инвестировать ти б . ворота a n d налагать штрафы […]

    за насилие

    boell.eu

    por que las autoridades, sus funcionarios, personal y agentes e instituciones se comporten

    […]

    de conformidad con esta obligacin; actuar con la debida diligencia para

    […] преб. v enir, Investigar y san ci onar la […]

    виоленсия

    boell.eu

    Для покупок, сделанных по адресу fa r m gate o r e x рабочие уровни, […]

    оплата должна быть произведена при получении товара.

    ярмарка.нет

    Пункт сравнения

    […] hecha s en l a Puerta d e la F inca o […]

    уровень Ex Works, los pagos deben ser hechos al recibir el producto.

    ярмарка.нет

    В музыке D V D сегмент , t ур ни разу не вылетал […]

    , а количество проданных единиц упало на 13%.

    Холланд Трейд.ком

    E n el segmento de disco s D VD musices, e l volumen […]

    de negocio se desplom en un 31% y el nmero de unidades vendidas bajen un 13%.

    hollandtrade.com

    Так как не было намерения

    […]

    с явным обозначением

    […] любое другое th , , , , , , , , , сегмент , , , , , , f, , , d, , omain name space, […]

    намеренно избегали использования настоящих слов.

    unesdoc.unesco.org

    Como no haba inters en designar explcitamente

    […] que n o fuera un segmento del espa ci o del […]

    nombre de dominio, se evit de manera deliberada el uso de palabras reales.

    unesdoc.unesco.org

    Потребитель lo a n сегмент s h вл s нет признаков […]

    интеграции вообще.

    eur-lex.europa.eu

    E l segmento de crdi to s al consumo […]

    нет muestra absolutamente ningn signo de integracin.

    eur-lex.europa.eu

    Доставка

    […] стадия сахарного тростника должна быть свободна на ФАК до р у ворота .

    eur-lex.europa.eu

    La Fase де entrega сер caa entregada en fbrica.

    eur-lex.europa.eu

    Держите руки

    […] vi n g ворота o r a любые другие движущиеся части

    sommer-torantriebe.at

    No tocar n unca una puerta en March a o sus […]

    части mviles.

    sommer-torantriebe.at

    Сегодня, в 2007 году, таких игр

    […] выдается по адресу t h e ворота t o c […]

    в нашем сообществе.

    casasefarad-israel.com

    Hoy, en el ao 2007 se estn repartiendo

    […] [estos j ue gos e n l as puertas de al gunos colegio…]

    Комунидад Нуэстра.

    casasefarad-israel.com

    , чтобы обеспечить быстрое проведение проверок, должен быть

    […] соответствующий номер r o f ворота

    europarl.europa.eu

    a fin de que el ritmo de las inspecciones sea expeditivo, deber preverse un

    […] нмеро адекуа до де пуэстос

    европарл.Европа.eu

    (e) обеспечить, чтобы a l l сегменты o f s общество

    конкретных родителей и детей информированы, имеют доступ к образованию и

    […]

    получают поддержку в использовании базовых знаний о здоровье и питании детей, преимуществах грудного вскармливания, гигиене и санитарии окружающей среды и предотвращении несчастных случаев

    галлона в час.dpi-europe.org

    д) Асегурар

    […] que t od os los секторы de l a sociedad, […]

    y en частности los padres y los nios, conozcan los principios bsicos

    […]

    de la salud y la nutricin de los nios, las ventajas de la lactancia materna, la higiene y el saneamiento ambiental y las medidas de prevencin de несчастных случаев, tengan acceso a la educacin pertinente y reciban apoyo en la aplicacin de esos conocimientos

    галлона в час.dpi-europe.org

    Учреждение из a сегментированное a n d должно способствовать инновационному подходу […]

    и более простой подход к софинансированию этих субъектов.

    eur-lex.europa.eu

    El establecimiento

    […] de u n enfoq ue segmentado y centr ad o en los agentes contribuir a un planteamiento simplificado […]

    e innovador de cofinanciacin de estos agentes.

    eur-lex.europa.eu

    Сообщаем вам, что ваш

    […] персональные данные не будут t b e сегментированы n o r используются для коммерческих целей

    цели, отличные от простой информации

    […]

    об услугах и/или продуктах, предлагаемых FUNDACI GALA-SALVADOR DAL, которые, мы надеемся, окажутся вам полезными.

    ssl.salvador-dali.org

    Ponemos en su conocimiento que sus datos

    […] человек al es no se rn segmentados ni uti lizad os os

    коммерческие штрафы que la mera

    […]

    informacin de los servicios y/o productos ofrecidos por la FUNDACI GALA-SALVADOR DAL, los cuales serveemos que sean de su utilidad.

    ssl.salvador-dali.org

    Наоборот,

    […] у большинства из нас есть ve a сегментированные e d uc ation.

    europarl.europa.eu

    Por el contrario, la mayora de nosotros

    […] hemos te ni do una educ aci n segmentada .

    europarl.europa.eu

    Это также должно способствовать

    […] предотвращение появления e o f сегментированных l a bo наших рынков и

    сокращение несанкционированной работы.

    europarl.europa.eu

    Приветственный вклад

    […] tambin a im pedir la segmentacin de los m er cados […]

    де trabajo y a reducir el trabajo нерегулярный.

    europarl.europa.eu

    Дети не теряют

    […] их права человека в силу прохождения через ворота SC ho o l .

    daccess-ods.un.org

    Los nios no pierden sus derechos humanos al salir de la escuela.

    daccess-ods.un.org

    Я бы сказал, используя довольно неортодоксальные термины для пленарного заседания, что это было бы как

    […] т ч е ворота о ф а школа.

    europarl.europa.eu

    Suceder-como yo dira, en trminos poco ortodoxos para emplearlos en un Pleno- como cuando se deja

    […] un ca ra melo en la puerta de un cole gi

    europarl.europa.eu

    Пропускная способность наземной инфраструктуры соответствует

    [.