Нейросетевой метод цифровой обработки медицинских изображений.

Введение 3
Глава 1. Цифровая обработка изображений. 7
1.1 Этапы цифровой обработки изображений 7
1.3 Представление изображений в задаче сегментации 13
1.4 Методы сегментации изображений 17
1.5 Типы медицинских изображений 21
1.6 Предобработка медицинского изображения 22
1.7 Метрики качества 24
Глава 2. Нейросетевые методы 27
2.1 Нейросетевые архитектуры в обработке изображений 27
2.2 Классификация медицинских изображений 30
2.3 Детекция объектов на медицинских изображениях 32
2.3 Регистрация медицинских изображений 34
2.4 Сегментация медицинских изображений 36
2.5 U-NET 37
2.6 Математическое описание задачи 40
2.7 Улучшение нейросетевой архитектуры 41
2.8 Подготовка и обогащение данных 42
Глава 3. Вычислительный эксперимент 44
3.1 Построение обучающего батча 44
3.2 Построение нейронной сети 45
3.4 Наборы данных 47
3.5 Веб-сервер и вычислительные ресурсы 50
3.6 Настройка гиперпараметров 53
3.7 Настройка гиперпараметров 54
Заключение 55
Cписок испсользованных источников 56

Весь текст будет доступен после покупки

Анализ изображений является неотъемлемой частью многих задач, связанных с медициной, особенно с анализом медицинских изображений. Качество изображения влияет на визуализацию областей на изображении, которые являются основой для медицинской диагностики и будущего хи-рургического планирования. [1].
С быстрым развитием нейросетей, использование их технологий для сбора клинических данных стало основным трендом в медицинской отрас-ли [1]. Использование передовых алгоритмов искусственного интеллекта для анализа медицинских изображений стало активной областью исследо-ваний как в промышленности, так и в науке [2, 3]. Последние применения глубокого обучения в анализе медицинских изображений включают раз-личные задачи, связанные с компьютерным зрением, такие как классифи-кация, обнаружение, сегментация и регистрация. Из них классификация, обнаружение и сегментация являются основными задачами и используются наиболее широко..
Существует несколько обзоров на методы глубокого обучения в ана-лизе медицинских изображений [4-13] и многие из них либо описывают ба-зовые техники глубокого обучения или же ориентированные на частные медицинские случаи.

Весь текст будет доступен после покупки

Глава 1. Цифровая обработка изображений.
В настоящей главе рассматриваются постановка исследуемой в настоящей работе задачи, различные виды нейросетевых методов, а также подробное рассмотрение архитектурного типа нейросети, предложенной для этапа сегментации изображения.

1.1 Этапы цифровой обработки изображений
Основной задачей цифровой обработки изображения соответственно является получение модифицированного в ходе прохождения всех этапов обработки изображения на выход. Данный процесс изображен на рис. 1.2:

Рис.1.2. Схема задачи цифровой обработки изображения

В своём классическом понимании изображения определяются как двумерная функция , где x и y – координаты на плоскости и значе-ние данной функции определяет интенсивность или уровень серого цвета. Если данные величины принимают дискретное значение, то говорят о цифровом изображении.
Цифровая обработка изображений - это обработка цифровых изображений с помощью цифровых ЭВМ. Каждое изображение состоит из конечного числа элементов и каждый из них расположен в определён-ном месте и принимает конкретное значение. Таким образом, можно пред-ставить изображение в виде матрицы M x N в форме соотношения :

, (1)
где M и N – размеры изображения.
Обе части этого равенства — эквивалентные способы количественно-го представления цифрового изображения. В правой части стоит матрица действительных чисел. Каждый элемент этой матрицы называется элемен-том изображения или пикселем.
В ряде случаев для обозначения цифрового изображения и его эле-ментов бывает полезно использовать более традиционную матричную за-пись:

. (2)
Ясно, что , поэтому матрицы (2) идентич-ны. Можно даже представлять изображение как вектор v, например, фор-мируя вектор-столбец размерами MN?1 так, что первые M элементов v совпадают с первым столбцом матрицы A, следующие M — со вторым столбцом и т. д. Аналогично для формирования такого вектора мы можем пользоваться строками матрицы A.


Рис.1.3. Этапы цифровой обработки изображения

В целом, нет чёткой классификации этапов цифровой обработки изображений, поэтому было решено разделить их на основные 5 этапов, схожих по своему значению : предобработка, обработка данных (анализ), сегментация, распознавание и оптимизация, как представлено на рис.1.3. В связи с различными целями и результатами, которых необходимо до-стичь, некоторые этапы могут убираться из процесса обработки изобра-жения. В данных этапах используются методы :
Регистрация изображений - это процесс преобразования ухудшен-ного изображения сцены путем сравнения его с эталонным изображением той же сцены. Основной метод заключается в использовании пар кон-трольных точек, соответствующих одному и тому же объекту на обоих изображениях. На основе этих точек создается регистрационное преобра-зование, которое применяется к ухудшенному изображению.

Весь текст будет доступен после покупки

1. Трехмерная реконструкция медицинских изображений / Д. Е. Черня-ев, В. А. Енокян, Д. А. Морозов [и др.] // Математика, информацион-ные технологии, приложения : Сборник трудов Межвузовской науч-ной конференции молодых ученых и студентов, Воронеж, 27 апреля 2022 года. – Воронеж: Издательско-полиграфический центр "Науч-ная книга", 2022. – С. 250-257.
2. LeCun Y., Haffner P., Bottou L., Bengio Y. Object Recognition with Gradient-Based Learning. // Springer-Verlag London, 1999. Shape, Contour and Grouping in Computer Vision. – P. 319-347
3. Y. Zhu, M. Kim, X. Zhu, D. Kaufer, and G. Wu, “Long range early diag-nosis of Alzheimer's disease using longitudinal MR imaging da-ta,” Medical Image Analysis, vol. 67, p. 101825, 2021.
4. Черняев, Д. Е. Обзор алгоритмов кластеризации для сегментации изображений / Д. Е. Черняев // Актуальные проблемы прикладной математики, информатики и механики : сборник трудов Междуна-родной научной конференции, Воронеж, 07–09 декабря 2020 года / ФГБОУ ВО «Воронежский государственный университет». – Воро-неж: Научно-исследовательские публикации, 2021. – С. 470-475.
5. E. Miranda, M. Aryuni, and E. Irwansyah, “A survey of medical image classification techniques,” in 2016 International Conference on Infor-mation Management and Technology (ICIMTech), Bandung, Indonesia, 2016.

Весь текст будет доступен после покупки