Введение 3
Постановка задачи 5
Обзор литературы 7
Глава 1.Датасет 8
1.1. Описание датасета 8
1.2. Аугментация датасета 9
Глава 2. Построение модели для классификации 11
2.1. Модели VGG, ResNet и EfficientNet 11
2.2. Обучение 12
2.3. Оценка эффективности моделей классификации 15
Глава 3. Построение модели для сегментации 18
3.1. Модели UNET и UNET++ 18
3.2. Обучение модели 20
Глава 4. Сравнение подходов сегментации 21
Выводы 24
Заключение 25
Список литературы 26

Купить

Магнитно-резонансная томография (МРТ) является одним из ведущих методов для получения анатомо-топографической информации состояния органов человеческого организма. МРТ основан на явлении ядерного
магнитного резонанса. Премущество данного метода в сравнении с другими
методами диагностической визуализации – это возможность получения детального изображения мягких тканей, поэтому МРТ широко применяется
для визуализации структуры головного мозга, брюшной полости, отделов
позвоночника и т.д.
Сегментация МРТ-изображений является необходимой частью обработки исследований и активно развивается в настоящее время. Сегментация – это выделение областей интереса на изображении. Это могут быть
задачи выделения долей головного мозга, отдельных позвонков в позвоночнике, а также опухолевых образований в органах [13][14]. Сегментация
может проводиться различными методами: нейросетевые методы, методы
водораздела, текстурные и другие [14]. Данная проблема является одной
из актуальных задач обработки диагностических данных .
В настоящей работе рассматривается автоматическая сегментация
опухолевых образований на МРТ-изображениях головного мозга. В связи с все большей автоматизацией процессов обработки МРТ-изображений,
данная задача является актуальной, т.к автоматическая обработка позволит облегчить работу медицинских специалистов по обработке МРТизображений.
Автоматическая сегментация МРТ-изображений в данной работе производится сверточными нейронными сетями. Сверточные нейронные сети
моделируют работу нервных клеток живого организма при распознавании
образов. Данный тип нейронных сетей лучше всего подходит для обработки
изображений с большим разрешением. Основу нейронных сетей составляет операция свертки, которая применяется последовательно с добавлением нелинейных слоев (функций активации). Таким образом, получается
композиция функций или слоев с параметрами, которые можно оптимизировать, чтобы достичь наилучшего результата. Результатом сегментиро-
3вания является маска, показывающая, где на оригинальном изображении
расположена интересующая область. Конечно, если интересующая область
отсутствует на изображении, то возвращается пустая маска, т.е. обычное
черное изображение.
В первой главе описываются используемые данные для построения
моделей сегментации изображений, а также для построения моделей классификации изображений. Они представляют собой пары, состоящие из МРТизображения и маски нахождения опухоли. Вторая глава посвящена построению модели классификации. Рассматривается ряд архитектур сверточных нейронных сетей для классификации изображений. Исследуются
их особенности. Решается задача обучения нейронных сетей для работы
по классификации изображений. Производится ROC-анализ этих моделей
после обучения для определения наиболее подходящей нейронной сети для
решения задачи. Третья глава описывает нейросетевые модели, которые используются для сегментации изображений в данной работе. Описываются
особенности модели UNET и ее модификаций. Строится процесс обучения
моделей на тренивочных данных. Четвертая глава посвящена сравнению
различных подходов к сегментации. Применение моделей классификации и
сегментации позволяет построить ряд методов для сегментации образований на МРТ-изображениях. Алгоритм последовательного применения моделей классификации и сегментации может позволить улучшить точность
сегментации в сравнении с простым применением нейросети для сегментации.


Купить