ВВЕДЕНИЕ 4
1. АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ 6
1.1. Изучение предметной области 6
1.2. Распознавание образов 7
1.3. Обзор аналогичных проектов 8
1.4. Обзор готовых решений для создания нейронных сетей 12
2. ТЕОРЕТИЧЕСКАЯ ЧАСТЬ 14
2.1. Глубокое обучение 14
2.2. Набор данных 17
3. ПРОЕКТИРОВАНИЕ 20
3.1. Требования к системе 20
3.2. Варианты использования приложения 20
3.3. Проектирование нейронной сети 22
3.4. Проектирование интерфейса приложения 23
4. РЕАЛИЗАЦИЯ 25
4.1. Программные средства реализации 25
4.2. Реализация нейронной сети 25
4.3. Расширение данных 26
4.4. Обучение нейронной сети 27
4.5. Разработка приложения 28
5. ТЕСТИРОВАНИЕ 30
5.1. Тестирование нейронной сети 30
5.2. Функциональное тестирование приложения 30
ЗАКЛЮЧЕНИЕ 32
ЛИТЕРАТУРА 33
ПРИЛОЖЕНИЕ 35
ПРИЛОЖЕНИЕ А - Листинги кода 35
ОСНОВНЫЕ ОПРЕДЕЛЕНИЯ
Искусственные нейронные сети - это математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей - сетей нервных клеток живого организма [6].
Машинное обучение - широкий набор методик, отличительной чертой которых является не прямой поиск решения, а постепенное обучение алгоритма способам нахождения решения [7].
Глубокое обучение - это особый раздел машинного обучения: новый подход к поиску представления данных, делающий упор на изучение последовательных слоев (или уровней) все более значимых представлений [1].
АКТУАЛЬНОСТЬ ТЕМЫ
Разработка искусственных нейронных сетей началась еще в начале ХХ века, но более широкое распространение нейронные сети получили только в 90-х годах с увеличением мощности вычислительных систем. Изначально целью попыток создания нейронных сетей было понимание принципов работы человеческого мозга. На сегодняшний нейронная сеть представляет собой некую упрощенную модель человеческого мозга и успешно используется при решении самых различных задач.
Направление медицины и здравоохранения уже сегодня считается одним из стратегических и перспективных с точки зрения эффективного внедрения нейросетевых технологий. Их использование может массово повысить точность диагностики, облегчить жизнь пациентам с различными заболеваниями, повысить скорость разработки и выпуска новых лекарств и т.д.
ЦЕЛЬ И ЗАДАЧИ ИССЛЕДОВАНИЯ
Основной целью данной работы является разработка приложения для выявления пневмонии по рентгеновским снимкам с применением нейросетевых технологий.
Для выполнения поставленной цели необходимо решить задачи, представлены ниже.
1. Сделать обзор аналогов и научной литературы.
2. Спроектировать топологию искусственной нейронной сети и обучить ее.
3. Разработать приложение для классификации рентгеновских снимков.
4. Провести тестирование системы.
СТРУКТУРА И ОБЪЕМ РАБОТЫ
Работа состоит из введения, 5 глав, заключения и библиографии. Объем работы составляет 39 страниц, объем библиографии - 16 источников, объем приложений - 4 страницы.
СОДЕРЖАНИЕ РАБОТЫ
В первой главе «Анализ предметной области» рассмотрены исследования по использованию нейросетевых технологий в области, в 7 рамках которой выполняется данная работа и обзор уже существующих решений поставленной задачи.
Вторая глава «Теоретическая часть» содержит подробное описание алгоритмов, применяемых для решения поставленной задачи.
Третья глава «Проектирование» содержит общее описание архитектуры системы.
В четвертой главе «Реализация» приводится техническая реализация системы, исходя из поставленного списка требований.
В пятой главе «Тестирование» тестирования реализованного приложения.
В заключении представлены результаты проделанной работы.
В рамках дипломной работы была создана и обучена сверточная нейронная сеть для классификации рентгеновских снимков, а также было реализовано приложение для распознавания пневмонии по рентгеновским снимкам на основе нейросетевых технологий.
В ходе разработки были решены задачи, перечисленные ниже.
1. Сделать обзор аналогов и научной литературы.
2. Спроектировать топологию искусственной нейронной сети и обучить ее.
3. Разработать приложение для классификации рентгеновских снимков.
4. Провести тестирование системы.
В будущем планируется добавить возможность классификации пневмонии на вирусную и бактериальную, а также добавить возможность экспорта результатов распознавания в сторонний файл, например в таблицу.
