📄Работа №197585
Тема: АВТОМАТИЧЕСКАЯ КЛАССИФИКАЦИЯ МРТ СНИМКОВ ГОЛОВНОГО МОЗГА ПО НАЛИЧИЮ ОПУХОЛЕЙ И ИХ СЕМАНТИЧЕСКАЯ СЕГМЕНТАЦИЯ
Характеристики работы
Тип работы
Магистерская диссертация
Предмет
Информатика и вычислительная техника
Объем:
75 листов
Год:
2024
Просмотров:
55
4960
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 Обзор статистики заболеваемости 4
2 Опухоли головного мозга 6
3 Предварительная обработка медицинских изображений 7
3.1 Фильтрация 7
3.1.1 Сглаживающие фильтры 8
3.3.1 Сегментация как предварительная обработка медицинских изображений. . 25
3.3.2 Сегментация на основе метода областей роста 26
3.3.3 Кластеризация 27
4 Машинное обучение 36
4.1 Применение машинного обучения в анализе медицинских изображений 36
4.2 Традиционные классификаторы машинного обучения 37
4.2.1 Метод опорных векторов (SVM) 37
4.2.2 Логистическая регрессия 38
4.2.3 Наивный Байес (Naive Bayes): 39
4.2.4 Дерево решений (Decision Tree): 39
4.2.5 Случайный лес (Random Forest): 39
Некоторые параметры: 40
4.2.6 Метод ближайших соседей (k-Nearest Neighbors): 40
6 Gray level co-occurrence matrix 40
7 Описание набора данных МРТ мозга 43
8 Эксперимент 1 44
8.1 Общий алгоритм классификации МРТ мозга по наличию опухолей в первом
эксперименте 44
8.2 Классификация с использованием традиционных алгоритмов машинного обучения46
Результаты эксперимента №1. приведены в таблицах 8.2.1 и рисунках 8.2.1 - 8.2.2 47
8.3 Сверточные нейронные сети 48
8.3.1 Базовая архитектура серточных нейронных сетей 48
8.3.2 Архитектура Resnet 50 53
8.3.3 Архитектура ResU-net 50 55
9 Эксперимент 2 57
9.1 Общий алгоритм классификации мрт мозга по наличию опухолей и их сегментации во втором эксперименте 57
9.3 Общий алгоритм семантической сегментации снимков МРТ головного мозга
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ И ЛИТЕРАТУРЫ 64
ПРИЛОЖЕНИЕ А Обзор родственных работ 7
1 Обзор статистики заболеваемости 4
2 Опухоли головного мозга 6
3 Предварительная обработка медицинских изображений 7
3.1 Фильтрация 7
3.1.1 Сглаживающие фильтры 8
3.3.1 Сегментация как предварительная обработка медицинских изображений. . 25
3.3.2 Сегментация на основе метода областей роста 26
3.3.3 Кластеризация 27
4 Машинное обучение 36
4.1 Применение машинного обучения в анализе медицинских изображений 36
4.2 Традиционные классификаторы машинного обучения 37
4.2.1 Метод опорных векторов (SVM) 37
4.2.2 Логистическая регрессия 38
4.2.3 Наивный Байес (Naive Bayes): 39
4.2.4 Дерево решений (Decision Tree): 39
4.2.5 Случайный лес (Random Forest): 39
Некоторые параметры: 40
4.2.6 Метод ближайших соседей (k-Nearest Neighbors): 40
6 Gray level co-occurrence matrix 40
7 Описание набора данных МРТ мозга 43
8 Эксперимент 1 44
8.1 Общий алгоритм классификации МРТ мозга по наличию опухолей в первом
эксперименте 44
8.2 Классификация с использованием традиционных алгоритмов машинного обучения46
Результаты эксперимента №1. приведены в таблицах 8.2.1 и рисунках 8.2.1 - 8.2.2 47
8.3 Сверточные нейронные сети 48
8.3.1 Базовая архитектура серточных нейронных сетей 48
8.3.2 Архитектура Resnet 50 53
8.3.3 Архитектура ResU-net 50 55
9 Эксперимент 2 57
9.1 Общий алгоритм классификации мрт мозга по наличию опухолей и их сегментации во втором эксперименте 57
9.3 Общий алгоритм семантической сегментации снимков МРТ головного мозга
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ И ЛИТЕРАТУРЫ 64
ПРИЛОЖЕНИЕ А Обзор родственных работ 7
📖 Аннотация
В данной работе представлено исследование, посвященное разработке и сравнительному анализу методов автоматической классификации магнитно-резонансных томограмм головного мозга по наличию опухолей и их последующей семантической сегментации. Актуальность исследования обусловлена высокой социальной значимостью ранней и точной диагностики онкологических заболеваний мозга, что требует создания эффективных инструментов компьютерной поддержки врачей-рентгенологов. Основные результаты заключаются в успешном создании и оценке двух экспериментальных конвейеров обработки изображений. В первом эксперименте была апробирована методика предварительной сегментации с использованием кластеризации нечетких C-средних для выделения области интереса (ROI) с последующим извлечением текстурных признаков через матрицу GLCM и классификацией традиционными алгоритмами машинного обучения. Во втором эксперименте использовались глубокие нейронные сети: классификатор на базе ResNet50 и модель семантической сегментации архитектуры ResU-Net. Полученные метрики точности, чувствительности и сегментации демонстрируют результаты, сопоставимые с современными аналогами. Научная значимость работы заключается в комплексном сравнении классических и нейросетевых подходов, а практическая – в предложении эффективного автоматизированного конвейера, снижающего нагрузку на специалиста и минимизирующего субъективный фактор. Обзор литературы, включающий работы McKinney et al. по эпидемиологии опухолей мозга, Strayer et al. по их патоморфологии, а также исследования Далечиной А.В. и соавт. и Kimori Y. по применению методов машинного обучения и морфологической обработки для анализа медицинских изображений, подтверждает востребованность разрабатываемых решений в современной медицине и биоинформатике.
📖 Введение
Основная цель настоящей работы заключается в создании моделей, способной предсказывать наличие опухоли на медицинских изображениях и производить их семантическую сегментацию. В первом эксперименте будет произведена предварительная сегментация изображения для выделения региона интереса (ROI) на изображении. В этом случае сегментация сосредотачивает внимание на конкретной области, улучшая точность дальнейшего извлечения признаков, повышает качество работы
классификатора. Во втором эксперименте сегментация будет самостоятельной задачей помимо классификации. Выбор набора данных также является важной задачей, было подобрано два набора данных для каждого из двух экспериментов. Также задача несет в себе, такую составляющую как, извлечение признаков. Мы попытаемся создать модель, которая может выполнять все основные и необходимые задачи для обнаружения и сегментации опухолей. Метод должен быть эффективный в плане точности, сегментировать изображения и обнаруживать опухоли головного мозга без участия человека. В заключении, необходимо будет сравнить экспериментальные результаты различных классических классификаторов в первом эксперименте и результаты нейросетевого классификатора из второго эксперимента, чтобы определить, какая модель обеспечивает лучшую производительность с точки зрения точности, чувствительности и других показателей, которые должны быть на уровне современных, а также получить метрики результатов семантической сегментации.
В первом эксперименте общий алгоритм такой: сначала для упрощения работы по классификации мы сегментируем изображение с использованием алгоритма кластеризации Fuzzy C-Means, потом извлекаем признаки при помощи GLCM (gray - level coocurence matrix) и передаем их классификатору.
Во втором эксперименте к изображению применяются фильтры Гаусса и повышения контраста перед передачей их нейросетевому классификатору на основе сверточной нейронной сети, предобученной на данных Imagenet, архитектуры Resnet 50, взятой с исключением последних слоев и добавлением слоя среднего пулинга, полносвязных слоев и слоев дропаута. Сегментируется изображение с помощью архитектуры ResU-net реализованной в библиотеке Keras. Данная архитектура включает в себя кодер и декодер на residual - блоках с добавлением скип - коннекций между соответствующими слоями. К сегментируемому изображению фильтры не применялись.
классификатора. Во втором эксперименте сегментация будет самостоятельной задачей помимо классификации. Выбор набора данных также является важной задачей, было подобрано два набора данных для каждого из двух экспериментов. Также задача несет в себе, такую составляющую как, извлечение признаков. Мы попытаемся создать модель, которая может выполнять все основные и необходимые задачи для обнаружения и сегментации опухолей. Метод должен быть эффективный в плане точности, сегментировать изображения и обнаруживать опухоли головного мозга без участия человека. В заключении, необходимо будет сравнить экспериментальные результаты различных классических классификаторов в первом эксперименте и результаты нейросетевого классификатора из второго эксперимента, чтобы определить, какая модель обеспечивает лучшую производительность с точки зрения точности, чувствительности и других показателей, которые должны быть на уровне современных, а также получить метрики результатов семантической сегментации.
В первом эксперименте общий алгоритм такой: сначала для упрощения работы по классификации мы сегментируем изображение с использованием алгоритма кластеризации Fuzzy C-Means, потом извлекаем признаки при помощи GLCM (gray - level coocurence matrix) и передаем их классификатору.
Во втором эксперименте к изображению применяются фильтры Гаусса и повышения контраста перед передачей их нейросетевому классификатору на основе сверточной нейронной сети, предобученной на данных Imagenet, архитектуры Resnet 50, взятой с исключением последних слоев и добавлением слоя среднего пулинга, полносвязных слоев и слоев дропаута. Сегментируется изображение с помощью архитектуры ResU-net реализованной в библиотеке Keras. Данная архитектура включает в себя кодер и декодер на residual - блоках с добавлением скип - коннекций между соответствующими слоями. К сегментируемому изображению фильтры не применялись.
✅ Заключение
В соответствии с целью работы мы получили модели для автоматической классификации МРТ снимков головного мозга по наличию опухолей и их семантической сегментации. Данная работа показали результаты на уровне лучших среди современных, чем объясняется ее научная новизна. В тоже время проблема для помощи в решении которой была поставлена цель - опухолевые заболевания головного мозга крайне актуальна. С развитием технологий машинного и нейросетевого обучения со временем могут появиться стандартизированные методики для работы с этой проблемой, чему и была посвящена данная работа. Среди поставленных задач были выполнены обучение и сравнение различных классических моделей и нейросетевого классификатора на базе ResNet50, была обучена модель семантической сегментации архитектуры ResU-net. Были произведены эксперименты с участием двух разных наборов данных, апробирована предварительная обработка изображений при помощи двух фильтров и предварительной сегментации с использованием кластеризации нечетких C- средних для выделения области интереса, а также извлечение признаков при помощи матрицы GLCM (Gray-Level Co-Occurrence Matrix)
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.