Введение
2. Обзор литературы 5
2.1. Классические методы 5
2.1.5. Гибридная сегментация с использованием водоразделов и быстрым объединением регионов 10
2.1.6. Алгоритм кластеризации k-means 12
2.1.7. Сегментация изображений с ограничительной рамкой 13
2.1.8. Сегментация изображений с помощью графа и приоритетных меток
2.1.9. Алгоритм Graph^t 16
2.1.10. Алгоритм GrabCut 18
2.2. Нейросетевые методы 20
2.2.1. Сверточные сети для задачи сегментации 20
3. Медицинские изображения 24
4. Методы и алгоритмы 27
4.1. Наборы данных 27
4.2. GrabCut 30
4.3. Fully Convolution Network 30
4.4. Convolutional Neural Networks 32
4.5. Классификатор определения рака в легких 33
6. Результаты 36
Выводы 48
Список литературы: 49
Электронные ресурсы: 50
Приложение 1. Разработанная CNN 51
Приложение 2 Классификатор определения наличия / отсутствия рака легких по снимкам КТ 59
Приложение 3. Примеры размеченных данных и результатов экспериментов 63
В последнее десятилетие компьютерное зрение вызывает у людей особый интерес и привлекает все больше внимания. Людям всегда было интересно, как устроен глаз человека, можно ли вырастить искусственный глаз. Но мы рассматриваем другую сторону зрения - анализ окружающего мира с помощью компьютера.
Все в мире процессы постепенно переходят к автоматизации: роботы, управляющие машинами, интеллектуальные игры с компьютером, конвейеры на заводах, автоматы с водой, электронные очереди, автомойки. Это дает повод размышлять об управлении всеми процессами, например, создание систем видеонаблюдения, компьютерное моделирования разной сложности, дополненная реальность. Возможности машинного зрения сложно оценить «невооруженным глазом», это пространство еще не исследовано до конца и наполнено просторами, где можно придумывать что-то новое и разворачивать активную полезную деятельность. Именно поэтому у нас вызывают интерес разработки в этой сфере.
Особый интерес мы уделяем применению it-технологий в различных сферах, влияющих на жизнь человека. Хирургия с помощью компьютера это миф или это возможно уже сейчас?
Данная работа представляет собой решение медицинской задачи с помощью технологий машинного обучения, а именно обнаружение рака легких по компьютерным томограммам. Для решения данной задачи необходимо создать средство, которое по некоторым признакам сможет определять наличие или отсутствия рака. Если мы будем сегментировать медицинские снимки, то сможешь понять, есть рак или нет.
Сегментация изображений (Image segmentation) — это процесс разделения изображения на сегменты (области), которые имеют определенный критерий общности. Изображения сегментируются с целью упрощения или изменения представления изображения для дальнейшей его обработки, анализа и использование полученной информации для разработок систем управления.
Применение сегментации изображений можно найти во многих, абсолютно разных, сферах деятельности, что доказывает актуальность нашей работы. Например, медицина (обнаружение патологий, болезней и отклонений; диагностика болезней и хирургия с помощью компьютера, космос (спутниковые снимки, выделение и распознавание объектов), управление дорожным движением, распознавание человеческих лиц, частей (отпечатки пальцев и другое)
Сегментация изображений используется, чтобы выделять некоторые объекты, границы, линии, кривые, и т. д. на изображениях. То есть сегментация изображений по сути — это процесс присвоения некоторых меток каждому пикселю изображения так, что пиксели с одинаковыми метками имеют общие визуальные характеристики и являются, например, объектом (или признаком болезни). Это хорошо показано на рисунке 0.
Результат сегментации - несколько сегментов, которые образуют всё изображение в совокупности, или множество образов, выделенных из изображения. Все пиксели одной области похожи по определенной характеристике, например, по цвету, яркости или текстуре. Соседние сегменты сильно отличаются по данной характеристике.
Сегментация медицинских изображений — выделение на снимках КТ или МРТ патогенных зон либо демонстрирование их отсутствия.
Цель работы - обнаружение рака легких по компьютерным томограммам человека.
Объект исследования: медицинские изображения — КТ легких.
Задачи:
1. Изучить существующие методы сегментации
2. Изучить сегментацию медицинских изображений
3. Оценить идеи изученных алгоритмов: их достоинства и недостатки
4. Найти необходимые данные для написания программы
5. Выбрать и реализовать алгоритм с наиболее высокой точностью
6. Проверить выбранный алгоритм на тестовых данных
7. Обучить нейронную сеть на медицинских изображениях обнаружить наличие или отсутствие рака
8. Доработать нейронную сеть для обнаружения областей возможных патологий
1. В работе представлен литературный обзор методов сегментации: классических и нейросетевых методов.
2. Классические методы не дают высокой точности на сложных медицинских изображения, что и послужило выбором алгоритмов машинного обучения.
3. Нейронные сети дают высокую точность и сами обучаются запоминать важные признаки изображений.
4. Были получены данные для обучения — датасет медицинских снимков КТ легких человека.
5. Реализован классификатор определения наличия / отсутствия рака в легких человека по его КТ с использованием двухслойной сверточной сети.
6. Алгоритм был проверен на тестовых данных — (распознавание цифр).
7. Сеть была обучена на 1390 пациентах.
8. Разработана нейронная сеть обнаружения зон патологий в легких.
