📄Работа №113574
Тема: Разработка алгоритма дифференциации патологий на растровых изображениях рентгенограмм
Характеристики работы
Тип работы
Бакалаврская работа
Предмет
Математика
Объем:
54 листов
Год:
2017
Просмотров:
241
4000
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
ВВЕДЕНИЕ
Глава 1 Анализ способов дифференциации патологий на растровых
изображениях рентгенограмм
1.1 Обзор существующих методов лучевой диагностики
1.2 Ручной метод оценки изображения
1.3 Автоматизированное распознавание изображений
1.4 Формализация требований и постановка задач к разрабатываемому
программному обеспечению
Глава 2 Разработка алгоритма дифференциации патологий на растровых
изображениях рентгенограмм
2.1 Разработка общего алгоритма приложения
2.2 Алгоритм выделения признаков
2.3 Анализ и сравнение методов машинного обучения
2.4 Машина опорных векторов
2.5 Выделение границ легочного рисунка на изображении
Глава 3 Практическая реализация алгоритма
3.1 Оценка работы классификатора
3.2 Программная реализация алгоритма
3.3 Программная реализация выделения легких
3.4 Тестирование
ЗАКЛЮЧЕНИЕ
СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ
ПРИЛОЖЕНИЕ А
ПРИЛОЖЕНИЕ Б
Глава 1 Анализ способов дифференциации патологий на растровых
изображениях рентгенограмм
1.1 Обзор существующих методов лучевой диагностики
1.2 Ручной метод оценки изображения
1.3 Автоматизированное распознавание изображений
1.4 Формализация требований и постановка задач к разрабатываемому
программному обеспечению
Глава 2 Разработка алгоритма дифференциации патологий на растровых
изображениях рентгенограмм
2.1 Разработка общего алгоритма приложения
2.2 Алгоритм выделения признаков
2.3 Анализ и сравнение методов машинного обучения
2.4 Машина опорных векторов
2.5 Выделение границ легочного рисунка на изображении
Глава 3 Практическая реализация алгоритма
3.1 Оценка работы классификатора
3.2 Программная реализация алгоритма
3.3 Программная реализация выделения легких
3.4 Тестирование
ЗАКЛЮЧЕНИЕ
СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ
ПРИЛОЖЕНИЕ А
ПРИЛОЖЕНИЕ Б
📖 Введение
Стремительное развитие новых технологий и инструментальных средств
диагностической визуализации обусловлено современными потребностями
человечества в появлении новых систем и методов, расширяющих возможности
клинического мониторинга и улучшающих качество жизни людей.
Значительное повышение технического уровня развития современных не
инвазивных диагностических систем за счет совершенствования аппаратной
реализации и технологий производства делает системы диагностической
визуализации незаменимыми в повседневной клинической практике. При этом
наряду с прогрессом развития инструментальных средств, весьма
существенную роль в настоящее время начинают играть компьютерные методы
обработки графической информации. Современные методики компьютерной
обработки медицинских изображений обеспечивают большие возможности при
работе с ними. Это актуализирует проблемы автоматизации медицинские
исследования, связанные с обнаружением заболеваний легких. Существует
множество болезней, которые можно обнаружить в легких, и почти для всех из
них, основным средством диагностики является флюорографический снимок. В
основном для определения такой страшной болезни как туберкулеза [2]. Идея
данной работы состоит в том, что бы с помощью использования методов
машинного обучения, разработать алгоритм отбора патологии при массовых
рентгеновских профилактических обследованиях в условиях всеобщей
диспансеризации.
Цель выпускной квалификационной работы: разработать приложение для
классификации входных изображений на два класса норма или патология.
Объект выпускной квалификационной работы: изучение методов
разработки программного обеспечения с использованием языка
программирования Matlab.
Предмет исследования выпускной квалификационной работы: изучение
методов разработки программного обеспечения для разработки приложениеклассификации входных изображений на два класса норма или патология.
Во введении обосновывается актуальность выбранной темы, ставится
цель и определяется примерный план действий для реализации задуманного.
В первой главе описываются существующие методы лучевой
диагностики, выделяются их плюсы и минусы. Описывается ручной анализ
рентгенографических снимков, и приводятся основные понятия и термины.
Описывается способ автоматизации анализа снимков.
Во второй главе описывается процесс разработки алгоритма для
автоматизации анализа рентгенографических снимков.
В третье главе показывается реализация алгоритма, тестирование и
оценка работы классификатора.
В заключении подводятся итоги исследования, формируются
окончательные выводы по рассматриваемой теме.
диагностической визуализации обусловлено современными потребностями
человечества в появлении новых систем и методов, расширяющих возможности
клинического мониторинга и улучшающих качество жизни людей.
Значительное повышение технического уровня развития современных не
инвазивных диагностических систем за счет совершенствования аппаратной
реализации и технологий производства делает системы диагностической
визуализации незаменимыми в повседневной клинической практике. При этом
наряду с прогрессом развития инструментальных средств, весьма
существенную роль в настоящее время начинают играть компьютерные методы
обработки графической информации. Современные методики компьютерной
обработки медицинских изображений обеспечивают большие возможности при
работе с ними. Это актуализирует проблемы автоматизации медицинские
исследования, связанные с обнаружением заболеваний легких. Существует
множество болезней, которые можно обнаружить в легких, и почти для всех из
них, основным средством диагностики является флюорографический снимок. В
основном для определения такой страшной болезни как туберкулеза [2]. Идея
данной работы состоит в том, что бы с помощью использования методов
машинного обучения, разработать алгоритм отбора патологии при массовых
рентгеновских профилактических обследованиях в условиях всеобщей
диспансеризации.
Цель выпускной квалификационной работы: разработать приложение для
классификации входных изображений на два класса норма или патология.
Объект выпускной квалификационной работы: изучение методов
разработки программного обеспечения с использованием языка
программирования Matlab.
Предмет исследования выпускной квалификационной работы: изучение
методов разработки программного обеспечения для разработки приложениеклассификации входных изображений на два класса норма или патология.
Во введении обосновывается актуальность выбранной темы, ставится
цель и определяется примерный план действий для реализации задуманного.
В первой главе описываются существующие методы лучевой
диагностики, выделяются их плюсы и минусы. Описывается ручной анализ
рентгенографических снимков, и приводятся основные понятия и термины.
Описывается способ автоматизации анализа снимков.
Во второй главе описывается процесс разработки алгоритма для
автоматизации анализа рентгенографических снимков.
В третье главе показывается реализация алгоритма, тестирование и
оценка работы классификатора.
В заключении подводятся итоги исследования, формируются
окончательные выводы по рассматриваемой теме.
✅ Заключение
Целью выпускной квалификационной работы являлась разработка
приложения для классификации входных изображений. Создание данного
приложения позволяет классифицировать изображения на два класса: норма
или патология. На основе анализа состояния вопроса установлено, что
автоматизация анализа рентгенографических снимков возможна за счет
применения в них алгоритмов машинного обучения.
Были рассмотрены теоритические аспекты и математические методы
выделения особых признаков на изображении. Проведено сравнение методов
машинного обучения и выбор наиболее подходящего для нашей задачи, в
нашем случае таким методом оказался метод опорных векторов. Произведена
оценка работы классификатора.
Был разработан алгоритм для выделения легких на рентгенографических
снимках, с помощью морфологических операций над изображением.
Была проведена апробация на реальной задаче, которая показала, что
использование такого подхода эффективно, и оно позволит ускорить работу
медицинского персонала.
Дальнейшее направление исследования будет направлено на
совершенствование достигнутого результата, то есть на повышение точности
классификации изображений по двум классам: норма и патология.
приложения для классификации входных изображений. Создание данного
приложения позволяет классифицировать изображения на два класса: норма
или патология. На основе анализа состояния вопроса установлено, что
автоматизация анализа рентгенографических снимков возможна за счет
применения в них алгоритмов машинного обучения.
Были рассмотрены теоритические аспекты и математические методы
выделения особых признаков на изображении. Проведено сравнение методов
машинного обучения и выбор наиболее подходящего для нашей задачи, в
нашем случае таким методом оказался метод опорных векторов. Произведена
оценка работы классификатора.
Был разработан алгоритм для выделения легких на рентгенографических
снимках, с помощью морфологических операций над изображением.
Была проведена апробация на реальной задаче, которая показала, что
использование такого подхода эффективно, и оно позволит ускорить работу
медицинского персонала.
Дальнейшее направление исследования будет направлено на
совершенствование достигнутого результата, то есть на повышение точности
классификации изображений по двум классам: норма и патология.
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.