Россия
С повышением уровня питания растет и заболеваемость различными видами болезней, которые в серьезных случаях могут вызвать опухоль или даже рак. Обнаружение целей занимает важное место в задачах распознавания и классификации изображений, является очень важным исследованием в области компьютерного зрения и в последние годы находит все более глубокое применение в медицинской сфере. В этой статье мы предлагаем систему компьютерной диагностики на основе глубокого обучения для обнаружения распространенных поражений, чтобы снизить вероятность возникновения рака. Создание системы включает в себя пять этапов: создание структуры глубокого обучения, предварительная обработка изображений поражений, извлечение признаков для обучения модели, сравнение производительности моделей обнаружения поражений, а также проектирование и разработка внешнего интерфейса.
глубокое обучение, конволюционная нейронная сеть, обнаружение цели, вспомогательная диагностика
1. Сарраф С., Тофиги Г. DeepAD: Классификация болезни Альцгеймера с использованием глубоких сверточных нейронных сетей на основе МРТ и ФМРТ / С. Сарраф, Г. Тофиги // BioRxiv. – 2016. – № 070441.
2. Арапов Д. В. Автоматизированная мобильная система принятия решений для использования в специальной медицине / Д. В. Арапов, В. А. Курицын, С. А. Скоробогатов // Моделирование систем и процессов. – 2024. – Том 17, № 3. – С. 7–16. – DOIhttps://doi.org/10.12737/2219 – 0767 – 2024 – 5 – 13. DOI: https://doi.org/10.12737/2219-0767-2024-5-13; EDN: https://elibrary.ru/CMPAPT
3. Коробова Л. А. Системный подход при решении прикладных медицинских диагностических задач / Л. А. Коробова, Т. А. О. Эйнуллаев, Р. В. Тэн // Моделирование систем и процессов. – 2024. – Том 17, № 3. – С. 52–61. – DOIhttps://doi.org/10.12737/2219 – 0767 – 2024 – 50 – 59. DOI: https://doi.org/10.12737/2219-0767-2024-50-59; EDN: https://elibrary.ru/PSBDLB
4. Саммерс Р. М. Прогресс в полноавтоматическом интерпретации компьютерной томографии живота / Р. М. Саммерс // American Journal of Roentgenology. – 2016. – Том 207, № 1. – С. 67–79. DOI: https://doi.org/10.2214/AJR.15.15996
5. Спанхоль Ф. А., Оливейра Л. С., Петижан С. и др. Классификация гистопатологических изображений рака груди с использованием сверточных нейронных сетей / Ф. А. Спанхоль, Л. С. Оливейра, С. Петижан и др. // 2016 Международная совместная конференция по нейронным сетям (JCNN). – IEEE, 2016. – С. 2560–2567. DOI: https://doi.org/10.1109/IJCNN.2016.7727519
6. Нижаван Р., Верма Р., Бушан С. и др. Интегрированная архитектура глубокого обучения для идентификации заболеваний ногтей / Р. Нижаван, Р. Верма, С. Бушан и др. // 2017 13-я Международная конференция по технологиям сигналов и изображений и сетям, основанным на Интернете (SITIS). – IEEE, 2017. – С. 197–202. DOI: https://doi.org/10.1109/SITIS.2017.42
7. Чараламбус С. С., Бхарат А. А. Методология расширения данных для обучения алгоритмов распознавания galt с использованием машинного/глубокого обучения / С. С. Чараламбус, А. А. Бхарат // IEEE Transactions on Medical Imaging. – 2016. – Том 24, № 10. – С. 1016–1027.
8. Рот Х. Р., Лу Л., Лю Дж. и др. Повышение эффективности компьютерной помощи в детекции с использованием сверточных нейронных сетей и случайного агрегирования видов / Х. Р. Рот, Л. Лу, Дж. Лю и др. // IEEE Transactions on Medical Imaging. – 2015. – Том 35, № 5. – С. 1170–1181 DOI: https://doi.org/10.1109/TMI.2015.2482920
9. Заревич А.И., Макаренко Ф.В., Ягодкин А.С., Зольников К.В. Моделирование поведения мобильных роботов с использованием генетических алгоритмов // Моделирование систем и процессов. – 2022. – Т. 15, № 3. – С. 7-16. DOI: https://doi.org/10.12737/2219-0767-2022-15-3-7-16; EDN: https://elibrary.ru/AGVATZ
