АННОТАЦИЯ 1
ВВЕДЕНИЕ 3
1 Анализ предметной области 5
1.1 Анализ существующих решений 5
1.2 Требования 7
2 Технологии 8
2.1 Программные средства 8
2.2 Аппаратные ресурсы 9
3 Данные 10
3.1 Исходные данные 10
3.2 Предобработка данных 13
3.3 Кодирование данных 17
3.4 Выборки 20
4 Машинное обучение 21
4.1 Подбор архитектуры 21
4.2 Подбор гиперпараметров 25
4.3 Метрики 27
5 Обучение 31
5.1 Процесс обучения 31
5.2 Результат обучения 31
ЗАКЛЮЧЕНИЕ 33
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ И ЛИТЕРАТУРЫ 34
повседневной человеческой жизни. Высокотехнологичные гаджеты используются ежедневно и повсеместно для работы, обучения, отдыха или развлечения.
Компьютерные программы находят своё применение и в медицине. Автоматизация процесса анализа медицинских данных позволяет уменьшить нагрузку на работников и улучшить качество диагностики. Специальные методы обработки медицинских показаний находят своё место и в научных исследованиях, упрощая процесс сбора и анализа данных.
Обработка медицинских изображений - междисциплинарное поле исследований на пересечении математики, медицины и компьютерных наук. Занимается извлечением клинически ценной информации из медицинских изображений. Существуют различные разделы обработки медицинских изображений - сегментация, регистрация, визуализация, статистический анализ и т.д.
Сегментация - процесс разделения изображения на несколько множеств пикселей. Целями сегментации являются упрощение представления изображения и выделение границ объектов для последующего анализа. Для медицинских исследований автоматическая сегментация изображений представляет большой интерес, так как позволяет получить статистические данные о состоянии внутренних органов человека [1].
При этом стоит отметить, что в работе с МРТ изображениями существуют осложняющие факторы, а именно: многообразие форматов представления и низкое качество входных данных, малые объёмы обучающих выборок и сложности при сегментации областей, составляющих малую часть исходного изображения.
Несмотря на общее направление на автоматизацию медицинских процессов, анализ МРТ изображений до сих пор осуществляется вручную или с применением несовершенных алгоритмов, требующих высокой квалификации специалистов. Существующие решения не позволяют проводить автоматическую сегментацию белого и серого вещества, включая детальную разметку структур коры по долям.
В связи с этим существует необходимость в методе сегментации, способном распознавать заранее заданные структуры белого и серого вещества головного мозга, по образцу заранее размеченных входных данных.
Цель и задачи
Целью является разработка метода автоматической сегментации МРТ- сканов головного мозга на структуры белого и серого вещества на основе машинного обучения.
Задачами являются:
1. Изучить существующие методы сегментации медицинских данных.
2. Подобрать архитектуру нейронной сети.
3. Провести предварительную обработку входных данных.
4. Подобрать гиперпараметры.
5. Провести обучение нейронной сети.
6. Оценить точность сегментации полученной нейронной сети.
В процессе анализа предметной области были выявлены требования к разрабатываемой модели.
В ходе работы были рассмотрены различные архитектуры нейронных сетей, решающие задачу сегментации. Для решения поставленной задачи была выбрана оптимальная архитектура, подобраны гиперпараметры и предобработаны входные данные.
В результате данной работы был разработан метод, способный автоматически сегментировать МРТ-сканы головного мозга на основе машинного обучения.
В ходе выполнения работы были выполнены следующие задачи:
1. Изучить существующие методы сегментации медицинских данных.
2. Подобрать архитектуру нейронной сети.
3. Провести предварительную обработку входных данных.
4. Подобрать гиперпараметры.
5. Провести обучение нейронной сети.
6. Оценить точность сегментации полученной нейронной сети.
