📄Работа №185412
Тема: МНОГОМЕТОЧНАЯ КЛАССИФИКАЦИЯ ФЕНОМЕНОВ НА РЕНТГЕНОВСКИХ СНИМКАХ С ПОМОЩЬЮ СВЁРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ
Тип работы
Бакалаврская работа
Предмет
информатика
Объем:
45 листов
Год:
2025
Просмотров:
52
4280
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 3
1 Предметная область 4
1.1 Методы исследования органов дыхания 4
1.2 Формат DICOM 5
1.3 Рентгенологические феномены поражений легких 5
2 Основные понятия нейронных сетей 8
2.1 Нейрон 8
2.2 Функция активации 8
2.3 Нейронная сеть 11
2.4 Функция потерь 12
2.5 Оптимизатор нейронной сети 14
2.6 Обратное распространение ошибки 15
2.7 Обобщающая способность 15
3 Свёрточные нейронные сети 17
3.1 Свёрточный слой 17
3.2 Слой субдискретизации 18
3.3 Архитектуры свёрточных нейронных сетей 19
3.4 Передача обучения 22
4 Данные для исследования 23
4.1 Основные сведения 23
4.2 Классы 24
4.3 Разметка данных 25
4.4 Переход от патологий к феноменам 26
4.5 Расширение набора данных 27
5 Метрики классификации 28
6 Исследование 32
6.1 Тип задачи 32
6.2 Инструменты реализации 32
6.3 Предобработка данных 33
6.4 Архитектура модели 34
6.5 Параметры обучения 36
6.6 Результаты 36
ЗАКЛЮЧЕНИЕ 38
ЛИТЕРАТУРА 39
1 Предметная область 4
1.1 Методы исследования органов дыхания 4
1.2 Формат DICOM 5
1.3 Рентгенологические феномены поражений легких 5
2 Основные понятия нейронных сетей 8
2.1 Нейрон 8
2.2 Функция активации 8
2.3 Нейронная сеть 11
2.4 Функция потерь 12
2.5 Оптимизатор нейронной сети 14
2.6 Обратное распространение ошибки 15
2.7 Обобщающая способность 15
3 Свёрточные нейронные сети 17
3.1 Свёрточный слой 17
3.2 Слой субдискретизации 18
3.3 Архитектуры свёрточных нейронных сетей 19
3.4 Передача обучения 22
4 Данные для исследования 23
4.1 Основные сведения 23
4.2 Классы 24
4.3 Разметка данных 25
4.4 Переход от патологий к феноменам 26
4.5 Расширение набора данных 27
5 Метрики классификации 28
6 Исследование 32
6.1 Тип задачи 32
6.2 Инструменты реализации 32
6.3 Предобработка данных 33
6.4 Архитектура модели 34
6.5 Параметры обучения 36
6.6 Результаты 36
ЗАКЛЮЧЕНИЕ 38
ЛИТЕРАТУРА 39
📖 Введение
Медицинская визуализация играет важную роль в современной диагностике и лечении заболеваний. Одним из наиболее популярных и доступных методов визуализации является рентгенография. Рентгеновские снимки широко применяются для выявления различных феноменов и на основе их сочетаний специалисты могут ставить точные диагнозы. Однако анализ рентгеновских изображений требует значительного опыта и времени, что может быть особенно проблематично в условиях высокой нагрузки на медицинский персонал. Автоматизация этого процесса с использованием современных технологий имеет потенциал существенно облегчить работу рентгенологов, повысить скорость диагностики и улучшить её точность.
В последние годы глубокие нейронные сети, в частности свёрточные нейронные сети (Convolutional Neural Networks, CNN), продемонстрировали выдающиеся результаты в задачах анализа медицинских изображений [1]. CNN способны автоматически извлекать сложные признаки из изображений, что делает их особенно эффективными для распознавания локальных паттернов и пространственных зависимостей.
Однако подавляющее большинство существующих исследований в этой области сосредоточено на бинарной классификации отдельных патологий [2]. В реальной клинической практике на одном рентгеновском снимке могут одновременно присутствовать несколько феноменов. Это порождает задачу многометочной (multi-label) классификации, в которой модель должна прогнозировать сразу несколько независимых классов.
Целью данной работы является исследование подхода к многометочной классификации феноменов на рентгеновских снимках грудной клетки с помощью свёрточных нейронных сетей.
Для достижения этой цели были поставлены следующие задачи:
1. Изучить предметную область - медицинские снимки и их особенности;
2. Изучить архитектуру свёрточных нейронных сетей;
3. Найти и подготовить подходящий набор данных;
4. Выбрать и адаптировать архитектуру модели;
5. Обучить модель и оценить её качество;
6. Проанализировать результаты и сделать выводы.
В последние годы глубокие нейронные сети, в частности свёрточные нейронные сети (Convolutional Neural Networks, CNN), продемонстрировали выдающиеся результаты в задачах анализа медицинских изображений [1]. CNN способны автоматически извлекать сложные признаки из изображений, что делает их особенно эффективными для распознавания локальных паттернов и пространственных зависимостей.
Однако подавляющее большинство существующих исследований в этой области сосредоточено на бинарной классификации отдельных патологий [2]. В реальной клинической практике на одном рентгеновском снимке могут одновременно присутствовать несколько феноменов. Это порождает задачу многометочной (multi-label) классификации, в которой модель должна прогнозировать сразу несколько независимых классов.
Целью данной работы является исследование подхода к многометочной классификации феноменов на рентгеновских снимках грудной клетки с помощью свёрточных нейронных сетей.
Для достижения этой цели были поставлены следующие задачи:
1. Изучить предметную область - медицинские снимки и их особенности;
2. Изучить архитектуру свёрточных нейронных сетей;
3. Найти и подготовить подходящий набор данных;
4. Выбрать и адаптировать архитектуру модели;
5. Обучить модель и оценить её качество;
6. Проанализировать результаты и сделать выводы.
✅ Заключение
В данной работе была исследована методика многометочной классификации феноменов на рентгеновских снимках грудной клетки с использованием модифицированной архитектуры свёрточной нейронной сети DenseNet.
В ходе работы была подробно изучена специфика медицинских изображений, выполнена агрегация противоречивых аннотаций рентгенологов и осуществлён переход от прогнозирования конкретных патологий к выделению трёх ключевых феноменов: «Сердечно-сосудистые аномалии», «Затемнение лёгочного поля» и «Просветление лёгочного поля».
Полученные результаты подтверждают, что предложенный подход способен надёжно выявлять сразу несколько клинически значимых феноменов на одном рентгеновском снимке.
В ходе работы была подробно изучена специфика медицинских изображений, выполнена агрегация противоречивых аннотаций рентгенологов и осуществлён переход от прогнозирования конкретных патологий к выделению трёх ключевых феноменов: «Сердечно-сосудистые аномалии», «Затемнение лёгочного поля» и «Просветление лёгочного поля».
Полученные результаты подтверждают, что предложенный подход способен надёжно выявлять сразу несколько клинически значимых феноменов на одном рентгеновском снимке.
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.