📄Работа №132760
Тема: Поиск аномалий изображений при профилактическом флюорографическом исследовании
Характеристики работы
Тип работы
Бакалаврская работа
Предмет
Программирование
Объем:
25 листов
Год:
2018
Просмотров:
76
4850
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
1. Постановка задачи 6
2. Обзор 7
2.1. Существующие решения 7
2.2. Автоэнкодеры 8
2.2.1. Сверточные автоэнкодеры 9
2.2.2. Состязательные автоэнкодеры 9
2.3. Метод опорных векторов 10
2.4. Методы оценки качества 11
3. Обработка данных 13
4. Примененные модели 14
4.1. Состязательный автоэнкодер 14
4.2. Сверточный автоэнкодер 16
4.3. Метод опорных векторов 18
5. Результаты 19
Заключение 22
Приложение A. Конфигурация сервера 23
Список литературы 24
1. Постановка задачи 6
2. Обзор 7
2.1. Существующие решения 7
2.2. Автоэнкодеры 8
2.2.1. Сверточные автоэнкодеры 9
2.2.2. Состязательные автоэнкодеры 9
2.3. Метод опорных векторов 10
2.4. Методы оценки качества 11
3. Обработка данных 13
4. Примененные модели 14
4.1. Состязательный автоэнкодер 14
4.2. Сверточный автоэнкодер 16
4.3. Метод опорных векторов 18
5. Результаты 19
Заключение 22
Приложение A. Конфигурация сервера 23
Список литературы 24
📖 Введение
Флюорографическое исследование является одним из наиболее распространенных методов рентгенодиагностики, и хотя считается, что флюорография легких не достаточно информативный осмотр, полученные с его помощью данные позволяют выявить изменения в структуре легочной ткани, которые могут стать причиной дальнейшего более детального обследования. В нашей стране по-прежнему сохраняется достаточно высокий уровень заболеваемости туберкулезом, поэтому существует необходимость ежегодного прохождения флюорографического обследования.
Таким образом, создается большая нагрузка на врачей-рентгенологов, которые вынуждены исследовать каждый снимок неоднократно для снижения рисков человеческого фактора. В связи с этим растет спрос на вспомогательные системы для врачей-рентгенологов, разработанные для поиска аномалий на флюорографических снимках.
В данной работе рассматривается возможность применения генеративного подхода машинного обучения в области поиска аномалий на рентгенограммах. Идея заключается в том, чтобы обучить сверточный автоэнкодер генерировать похожие изображения, и в результате этого обучения заставить выделять его наиболее важные признаки входного изображения, после чего извлекать из скрытого пространства автоэнко- дера эти признаки и пытаться классифицировать по ним нормальные рентгенограммы и рентгенограммы с патологиями методом опорных векторов.
Новизна такого подхода заключается именно в применении автоэн- кодера для сокращения размерности входных данных в задаче классификации медицинских снимков, а также использование неразмеченных данных для обучения автоэнкодера. Кроме того, обучение проводилось на базе данных, предоставленных СПб НИИ фтизиопульминологии.
В главе 3 описаны примененные методы предобработки изображений. Детали реализации сверточного автоэнкодера можно найти в главе 4.2, классификатора SVM в главе 4.3.
Применение данного подхода оценивалось по двум метрикам: AUC- ROC и AUC-PR. Обе метрики показали хорошие результаты: площадь под ROC-кривой составила 0.92, под PR-кривой 0.94. Более подробно с результатами можно ознакомиться в главе 5.
Таким образом, создается большая нагрузка на врачей-рентгенологов, которые вынуждены исследовать каждый снимок неоднократно для снижения рисков человеческого фактора. В связи с этим растет спрос на вспомогательные системы для врачей-рентгенологов, разработанные для поиска аномалий на флюорографических снимках.
В данной работе рассматривается возможность применения генеративного подхода машинного обучения в области поиска аномалий на рентгенограммах. Идея заключается в том, чтобы обучить сверточный автоэнкодер генерировать похожие изображения, и в результате этого обучения заставить выделять его наиболее важные признаки входного изображения, после чего извлекать из скрытого пространства автоэнко- дера эти признаки и пытаться классифицировать по ним нормальные рентгенограммы и рентгенограммы с патологиями методом опорных векторов.
Новизна такого подхода заключается именно в применении автоэн- кодера для сокращения размерности входных данных в задаче классификации медицинских снимков, а также использование неразмеченных данных для обучения автоэнкодера. Кроме того, обучение проводилось на базе данных, предоставленных СПб НИИ фтизиопульминологии.
В главе 3 описаны примененные методы предобработки изображений. Детали реализации сверточного автоэнкодера можно найти в главе 4.2, классификатора SVM в главе 4.3.
Применение данного подхода оценивалось по двум метрикам: AUC- ROC и AUC-PR. Обе метрики показали хорошие результаты: площадь под ROC-кривой составила 0.92, под PR-кривой 0.94. Более подробно с результатами можно ознакомиться в главе 5.
✅ Заключение
В рамках выпускной квалификационной работы были достигнуты следующие результаты:
• Были подготовлены данные для обучения выбранной модели: выбраны наиболее подходящие снимки, которые не содержат ничего лишнего, что могло бы помешать в процессе обучения, в качестве предобработки изображений применялось выравнивание гистограммы и уменьшение изображений до размера 128 х 128;
• Путем проб и ошибок была подобрана оптимальная конфигурация для реализации модели сверточного автоэнкодера, а также подобраны оптимальные параметры C и у классификатора SVM с ядром RBF. Модели реализованы на языке программирования Python с помощью фреймворка PyTorch и библиотеки scikit-learn;
• Проведены эксперименты с реализованными моделями: проведено обучение и тестирование на предварительно обработанных данных, для оценки качества работы модели использовалась метрика AUC-ROC и AUC-PR. Наилучший результат составил 0.92 по метрике AUC-ROC и 0.94 по метрике AUC-PR.
• Были подготовлены данные для обучения выбранной модели: выбраны наиболее подходящие снимки, которые не содержат ничего лишнего, что могло бы помешать в процессе обучения, в качестве предобработки изображений применялось выравнивание гистограммы и уменьшение изображений до размера 128 х 128;
• Путем проб и ошибок была подобрана оптимальная конфигурация для реализации модели сверточного автоэнкодера, а также подобраны оптимальные параметры C и у классификатора SVM с ядром RBF. Модели реализованы на языке программирования Python с помощью фреймворка PyTorch и библиотеки scikit-learn;
• Проведены эксперименты с реализованными моделями: проведено обучение и тестирование на предварительно обработанных данных, для оценки качества работы модели использовалась метрика AUC-ROC и AUC-PR. Наилучший результат составил 0.92 по метрике AUC-ROC и 0.94 по метрике AUC-PR.
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.