📄Работа №126267
Тема: Анализ медицинских изображений с помощью искусственных нейронных сетей
Характеристики работы
Тип работы
Диссертация
Предмет
Информатика и вычислительная техника
Объем:
67 листов
Год:
2021
Просмотров:
269
5700
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 4
Постановка задачи 6
Обзор литературы 6
1. Алгоритмы машинного обучения 9
1.1. Предобработка 9
1.2. Уменьшение размеров 17
1.3. Выделение областей интереса 19
2. Происхождение 20
3. Предлагаемый алгоритм 22
3.1. Сегментация 22
3.2. Проектирование признаков 24
3.2.1. Гистограмма ориентированных градиентов 25
4. Обзор существующих методов распознавания медицинских изображений 28
4.1. Классификаторы основанные на обработке пространства признаков 30
4.1.1. SVM : метод опорных векторов 30
4.1.2. Ближайший сосед (KNN) 31
4.1.3. Иерархические свёрточные сети 33
4.1.4. HD-CNN 34
4.1.5. Иерархическая свёрточная сеть с механизмом внимания 36
5. Практическая реализация 37
6. Экспериментальная реализация 59
Выводы 60
7. Заключение 61
8. Приложение 62
9. Список используемой литературы
Постановка задачи 6
Обзор литературы 6
1. Алгоритмы машинного обучения 9
1.1. Предобработка 9
1.2. Уменьшение размеров 17
1.3. Выделение областей интереса 19
2. Происхождение 20
3. Предлагаемый алгоритм 22
3.1. Сегментация 22
3.2. Проектирование признаков 24
3.2.1. Гистограмма ориентированных градиентов 25
4. Обзор существующих методов распознавания медицинских изображений 28
4.1. Классификаторы основанные на обработке пространства признаков 30
4.1.1. SVM : метод опорных векторов 30
4.1.2. Ближайший сосед (KNN) 31
4.1.3. Иерархические свёрточные сети 33
4.1.4. HD-CNN 34
4.1.5. Иерархическая свёрточная сеть с механизмом внимания 36
5. Практическая реализация 37
6. Экспериментальная реализация 59
Выводы 60
7. Заключение 61
8. Приложение 62
9. Список используемой литературы
📖 Введение
Полностью автоматическая диагностика заболеваний могла казаться непрактичной всего несколько лет назад, но большие достижения в области искусственного интеллекта изменили это.
В этой работу мы предлагаем алгоритм, основанный на
последовательном процессе, заключающемся в обнаружении аномалий на медицинских изображениях, их характеристике, а иногда и количественной оценке их эволюции.
Нейронные сети сверточной нейронной сети, которые в последние годы были чрезвычайно успешны, выиграли множество испытаний в статистическом обучении и решили многие учебные задачи, которые ранее считались непосильными.
Рак груди - это рак, который развивается в клетках груди. Как правило, рак формируется либо в дольках, либо в протоках молочной железы, что может привести к смерти, если в результате разрастания образуются метастазы и распространяются на окружающие ткани или другие части тела.
В этом случае опухоль называется злокачественной.
Используя нейронную сеть, можно предсказать, является ли опухоль в женской груди злокачественной или доброкачественной; доброкачественная опухоль - это опухоль, которая не может проникнуть в соседнюю ткань, что в большинстве случаев делает ее безвредной; опухоль малигната - наоборот, она может распространиться в остальной части тела, и является чрезвычайно опасной. Системы компьютерной диагностики (CAD) для обнаружения и диагностики рака груди с использованием маммограмм могут помочь снизить нагрузку на специалистов, помогая им классифицировать маммограммы на нормальные и аномальные.
Поскольку мы имеем дело с огромным набором данных о пациентах по всему миру, применение обычных алгоритмов машинного обучения не является хорошей рекомендацией.
В последнее время многие исследователи работали над обнаружением рака груди, используя метод «сквозного» подхода, при котором модель для классификации локальных участков изображения готовится предварительно с использованием полностью аннотированного набора данных с информацией о областях интереса (ROI).
Хуанг и др [7]. предложили многомодальное исследование прогнозирования тяжести заболевания на основе изображений с использованием обширного изучения и прогнозирования аналитики.
Сейчас наблюдается тенденция в обработке медицинских изображений с помощью гдубоких нейронных сетей, которые все время совершенствуются.
Например Пушпанджали М., Балдев П., [15] предложили
гистопатологическое обнаружение изображения рака молочной железы с помощью глубокого обучения.
В настоящее время алгоритмы машинного обучения и распознавания реализуются в основном на языке Python с помощью соответствующих библиотек. Одной из таких библиотек является библиотека Keras. Эта библиотека с открытым исходным кодом, предоставляет собой интерфейс
Python для искусственных нейронных сетей. Keras действует как интерфейс для библиотеки TensorFlow. Здесь он играет ключевую роль. Глубокое обучение отлично справляется с огромными наборами данных, а также может извлекать высокоуровневые функции без какого-либо вмешательства домена или жесткого извлечения функций. Глубокое обучение занимает много времени, но этап тестирования проходит быстрее, чем при использовании алгоритма машинного обучения.
В этой работу мы предлагаем алгоритм, основанный на
последовательном процессе, заключающемся в обнаружении аномалий на медицинских изображениях, их характеристике, а иногда и количественной оценке их эволюции.
Нейронные сети сверточной нейронной сети, которые в последние годы были чрезвычайно успешны, выиграли множество испытаний в статистическом обучении и решили многие учебные задачи, которые ранее считались непосильными.
Рак груди - это рак, который развивается в клетках груди. Как правило, рак формируется либо в дольках, либо в протоках молочной железы, что может привести к смерти, если в результате разрастания образуются метастазы и распространяются на окружающие ткани или другие части тела.
В этом случае опухоль называется злокачественной.
Используя нейронную сеть, можно предсказать, является ли опухоль в женской груди злокачественной или доброкачественной; доброкачественная опухоль - это опухоль, которая не может проникнуть в соседнюю ткань, что в большинстве случаев делает ее безвредной; опухоль малигната - наоборот, она может распространиться в остальной части тела, и является чрезвычайно опасной. Системы компьютерной диагностики (CAD) для обнаружения и диагностики рака груди с использованием маммограмм могут помочь снизить нагрузку на специалистов, помогая им классифицировать маммограммы на нормальные и аномальные.
Поскольку мы имеем дело с огромным набором данных о пациентах по всему миру, применение обычных алгоритмов машинного обучения не является хорошей рекомендацией.
В последнее время многие исследователи работали над обнаружением рака груди, используя метод «сквозного» подхода, при котором модель для классификации локальных участков изображения готовится предварительно с использованием полностью аннотированного набора данных с информацией о областях интереса (ROI).
Хуанг и др [7]. предложили многомодальное исследование прогнозирования тяжести заболевания на основе изображений с использованием обширного изучения и прогнозирования аналитики.
Сейчас наблюдается тенденция в обработке медицинских изображений с помощью гдубоких нейронных сетей, которые все время совершенствуются.
Например Пушпанджали М., Балдев П., [15] предложили
гистопатологическое обнаружение изображения рака молочной железы с помощью глубокого обучения.
В настоящее время алгоритмы машинного обучения и распознавания реализуются в основном на языке Python с помощью соответствующих библиотек. Одной из таких библиотек является библиотека Keras. Эта библиотека с открытым исходным кодом, предоставляет собой интерфейс
Python для искусственных нейронных сетей. Keras действует как интерфейс для библиотеки TensorFlow. Здесь он играет ключевую роль. Глубокое обучение отлично справляется с огромными наборами данных, а также может извлекать высокоуровневые функции без какого-либо вмешательства домена или жесткого извлечения функций. Глубокое обучение занимает много времени, но этап тестирования проходит быстрее, чем при использовании алгоритма машинного обучения.
✅ Заключение
Очень важно точное распознавание медицинского изображения для своевременного лечения. Это исследование предложило разработку системы обнаружения раковой опухоли груди как стандартную процедуру при диагностированном раке груди. Цифровая маммография в настоящее время входит в стандартный набор диагностики.
Различные методики используются для классификации в области постановки диагноз. Извлечение признаков изображения - важный шаг в классификации маммограмм. Эти функции извлечены с использованием методов обработки изображений. Площадь опухоли необходимо рассчитывать методом DWT (дискретное вейвлет-преобразование). Нормальные и раковые ячейки отображаются отдельно, а энтропия, среднее значение, стандарт, отклонение, энергия, асимметрия "и т. д. рассчитывают d из образов базы данных.
Предложенная вероятностная нейронная сеть классифицирует изображения маммограммы на 3 категории: нормальные, доброкачественные и
злокачественные с точностью более чем 90%. Такая система может помочь и пациенту, и врачу.
Различные методики используются для классификации в области постановки диагноз. Извлечение признаков изображения - важный шаг в классификации маммограмм. Эти функции извлечены с использованием методов обработки изображений. Площадь опухоли необходимо рассчитывать методом DWT (дискретное вейвлет-преобразование). Нормальные и раковые ячейки отображаются отдельно, а энтропия, среднее значение, стандарт, отклонение, энергия, асимметрия "и т. д. рассчитывают d из образов базы данных.
Предложенная вероятностная нейронная сеть классифицирует изображения маммограммы на 3 категории: нормальные, доброкачественные и
злокачественные с точностью более чем 90%. Такая система может помочь и пациенту, и врачу.
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.