АВТОМАТИЗОВАНІ СИСТЕМИ ВИСОКОПРОДУКТИВНОЇ ІДЕНТИФІКАЦІЇ ОБ’ЄКТІВ ЗОБРАЖЕНЬ ЗА ГЕОМЕТРИЧНИМИ ОЗНАКАМИ
DOI:
https://doi.org/10.32347/0131-579x.2020.98.120-130Ключові слова:
автоматизовані системи, медичні зображення, пухлини, МРТ-зображення, ідентифікація об’єктів, машинне навчання, нейронна мережаАнотація
У статті обґрунтовується доцільність та практична цінність використання специфічної методології імітаційного моделювання, що передбачає цифрову обробку та математичну сутність технології нейронних мереж. Виділення параметрів та локалізація необхідних областей медичних зображень – складний процес, який потребує інтелектуальних алгоритмів, хорошої якості зображень, а також втручання кваліфікованого оператора при дослідженні великих масивів даних. Пухлина головного мозку – серйозне захворювання, і кількість людей, які помирають через пухлини головного мозку, незважаючи на значний прогрес у лікуванні залишається вражаючою. В даному досліджені детально представлено розроблений алгоритм для високопродуктивної ідентифікації об’єктів (ранньому виявленні та ідентифікації пухлин) на МРТ-знімках за геометричними ознаками. Даний алгоритм на основі попередньої обробки зображення аналізує масив даних за допомогою згорткової нейронної мережі (ЗНМ) та розпізнає патології на зображеннях. Отриманий алгоритм є кроком до створення автономних автоматичних систем ідентифікації та прийняття рішень, щодо діагностики злоякісних пухлин та інших новоутворень у головному мозку за геометричними ознаками.Посилання
National Cancer Institute Clinical Proteomic Tumor Analysis Consortium (CPTAC). (2018). Radiology Data from the Clinical Proteomic Tumor Analysis Consortium Glioblastoma Multiforme [CPTAC-GBM] collection [Data set]. The Cancer Imaging Archive. https://doi.org/10.7937/k9/tcia.2018.3rje41q1
Clark K, Vendt B, Smith K, Freymann J, Kirby J, Koppel P, Moore S, Phillips S, Maffitt D, Pringle M, Tarbox L, Prior F. The Cancer Imaging Archive (TCIA): Maintaining and Operating a Public Information Repository, Journal of Digital Imaging, Volume 26, Number 6, December, 2013, pp 1045-1057. DOI: 10.1007/s10278-013-9622-7
Fein, Melanie L., Robo-Advisors: A Closer Look (June 30, 2015). Available at SSRN: https://ssrn.com/abstract=2658701.
McCulloch W.S., Pitts W. A logical calculus of the ideas immanent in nervous activity // Bulletin of Mathematical Biophysics, 1943.–№ 5.–P.115-133.
McCulloch W.S., Pitts W. A logical calculus of the ideas immanent in nervous activity // Bulletin of Mathematical Biophysics, 1943.–№ 5.–P.115-133.
J. Horn, N. Nafpliotis, and D. E. Goldberg, “A niched Pareto genetic algorithm for multiobjective optimization,” In Proceedings of the First IEEE Conference on Evolutionary Computation, Piscataway, vol. 1, pp.
-87, 1994.
Yann LeCun, Leon Bottou, Yoshua Bengio, Patrick Haffner. 1998. Gradient-based learning applied to document recognition. Proceedings of IEEE, 86(11), pp. 2278-2324.
Olga Russakovsky, Jia Deng, Hao Su, et al. 2015. Imagenet large scale visual recognition challenge. International Journal of Computer Vision, 115(3),pp. 211-252.
Ross Girshick, Jeff Donahue, Trevor Darrell, Jitendra Malik. 2014. Rich feature hierarchies for accurate object detection and semantic segmentation. The IEEE Conference on Computer Vision and Pattern Recognition, pp. 580-587.
Jonathan Long, Evan Shelhamer, Trevor Darrell. 2015. Fully convolutional networks for semantic segmentation. The IEEE Conference on Computer Vision and Pattern Recognition, pp. 3431-3440.
Jiuxiang Gu, Zhenhua Wang, Jason Kuen, Lianyang Ma, Amir Shahroudy, Bing Shuai, Ting Liu, Xingxing Wang, Gang Wang. 2017. Recent Advances in Convolutional Neural Networks.
Fei-Fei Li, Andrej Karpathy, Justin Johnson. 2016. CS231n Convolutional Neural Networks for Visual Recognition. URL:https://cs231n.github.io/convolutional-networks.
Ian Goodfellow, Yoshua Bengio, Aaron Courville. 2016. Deep Learning. MIT Press, Massachusetts,US.
Zhang, Wei (1990). "Parallel distributed processing model with local space-invariant interconnections and its optical architecture". Applied Optics. 29 (32): 4790–7. Bibcode: 1990 ApOpt. 29.4790Z. doi:10.1364/AO.29.004790. PMID 20577468.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2020 Oleksandr Poplavskyi, Olena Bondar, Sergiy Pavlov, Anna Poplavska
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
