📄Работа №150063
Тема: Разработка информационной системы для анализа рентгеновских снимков
Тип работы
Бакалаврская работа
Предмет
информационные системы
Объем:
55 листов
Год:
2020
Просмотров:
110
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 9
Глава 1 Анализ предметной области 10
1.1 Диагностика пневмонии 10
1.2 Распознавание пневмонии с помощью сверточных нейросетей 12
1.3 Основы теории сверточных нейронных сетей 14
Выводы по главе 1 17
Глава 2 Разработка нейронной сети 18
2.1 Препроцессинг изображений 18
2.1.1 Масштабирование 18
2.1.2 Устранение шума на изображениях 19
2.1.3 Аугментация данных 21
2.2 Архитектура нейронной сети 22
2.2.1 Готовые нейронные сети 22
2.2.2 Составная нейронная сеть 26
2.2.2.1 Global Average Pooling 27
2.2.2.2 Дополнительный полносвязный слой 29
2.2.2.3 Пакетная нормализация 29
2.2.2.4 Dropout 31
2.3 Обучение нейронной сети 33
2.3.1 Функция потерь 33
2.3.2 Оптимизатор 35
2.3.3 Метрики 37
2.4 Результаты работы составной нейронной сети 38
Выводы по главе 2 39
Глава 3 Экспериментальные исследования 40
3.1 Набор данных 40
3.2 Результаты экспериментальных исследований 41
Заключение 43
Список сокращений 44
Список использованных источников 45
Приложение А 48
Приложение Б 49
Глава 1 Анализ предметной области 10
1.1 Диагностика пневмонии 10
1.2 Распознавание пневмонии с помощью сверточных нейросетей 12
1.3 Основы теории сверточных нейронных сетей 14
Выводы по главе 1 17
Глава 2 Разработка нейронной сети 18
2.1 Препроцессинг изображений 18
2.1.1 Масштабирование 18
2.1.2 Устранение шума на изображениях 19
2.1.3 Аугментация данных 21
2.2 Архитектура нейронной сети 22
2.2.1 Готовые нейронные сети 22
2.2.2 Составная нейронная сеть 26
2.2.2.1 Global Average Pooling 27
2.2.2.2 Дополнительный полносвязный слой 29
2.2.2.3 Пакетная нормализация 29
2.2.2.4 Dropout 31
2.3 Обучение нейронной сети 33
2.3.1 Функция потерь 33
2.3.2 Оптимизатор 35
2.3.3 Метрики 37
2.4 Результаты работы составной нейронной сети 38
Выводы по главе 2 39
Глава 3 Экспериментальные исследования 40
3.1 Набор данных 40
3.2 Результаты экспериментальных исследований 41
Заключение 43
Список сокращений 44
Список использованных источников 45
Приложение А 48
Приложение Б 49
📖 Введение
В данной работе рассматривается применение сверхточных нейронных сетей для распознавания пневмонии на рентгеновском снимке. За последние годы уже открыто немало новых возможностей нейронных сетей, а работы в данной области вносят существенный вклад в промышленность, науку и технологии. Широкий круг задач, решаемый нейронными сетями, не позволяет в настоящее время создавать универсальные, мощные сети, вынуждая разрабатывать специализированные сети, функционирующие по различным алгоритмам. Тем не менее, тенденции развития нейросетей растут с каждым годом.
Предметом исследования являются снимки рентгенограммы, которые являются первичным способом выявления пневмонии. Распознавание данной болезни методами машинного обучения является актуальной задачей в современном мире, так как ежегодно по всему миру болеют миллионы людей, а также существует нехватка специалистов, которые обрабатывают снимки рентгенограммы, особенно это касается развивающихся стран.
Целью работы является распознавание пневмонии на ренгеновском снимке с помощью сверточных нейросетей.
Поставлены следующие задачи:
1. Выполнить анализ современных способов распознавания пневмонии по рентгеновским снимкам;
2. Предварительно обработать данные;
3. Выбрать и модифицировать архитектуру;
4. Провести экспериментальные исследования;
Предметом исследования являются снимки рентгенограммы, которые являются первичным способом выявления пневмонии. Распознавание данной болезни методами машинного обучения является актуальной задачей в современном мире, так как ежегодно по всему миру болеют миллионы людей, а также существует нехватка специалистов, которые обрабатывают снимки рентгенограммы, особенно это касается развивающихся стран.
Целью работы является распознавание пневмонии на ренгеновском снимке с помощью сверточных нейросетей.
Поставлены следующие задачи:
1. Выполнить анализ современных способов распознавания пневмонии по рентгеновским снимкам;
2. Предварительно обработать данные;
3. Выбрать и модифицировать архитектуру;
4. Провести экспериментальные исследования;
✅ Заключение
В ходе выпускной квалификационной работы выполнен анализ современных способов распознавания пневмонии на рентгеновском снимке с помощью нейросетей. Предварительно обработаны данные, а именно выполнено масштабирование экземпляров до единого размера, устранен шум с помощью билатерального фильтра и проведена аугментация данных.
Проведено тестирование готовых архитектур нейронных сетей таких, как DenseNet, VGG16 и Inception V3. Проведена модификация нейронной сети Inception V3, полученная сеть показала точность распознавания 88, 3%.
По результатам экспериментальных исследований показано, что методы глубокого обучения могут быть использованы для упрощения диагностики обработки снимков. Полученные результаты также показывают, что методы глубокого обучения могут быть использованы для улучшения диагностики относительно традиционных методов, которые помогут улучшить качество лечения и служить медицинским работникам двусторонней системой подтверждения диагноза.
Проведено тестирование готовых архитектур нейронных сетей таких, как DenseNet, VGG16 и Inception V3. Проведена модификация нейронной сети Inception V3, полученная сеть показала точность распознавания 88, 3%.
По результатам экспериментальных исследований показано, что методы глубокого обучения могут быть использованы для упрощения диагностики обработки снимков. Полученные результаты также показывают, что методы глубокого обучения могут быть использованы для улучшения диагностики относительно традиционных методов, которые помогут улучшить качество лечения и служить медицинским работникам двусторонней системой подтверждения диагноза.
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.