НЕЙРОННА МЕРЕЖА ДЛЯ ВИЯВЛЕННЯ АРТЕФАКТІВ НА КТ-ЗОБРАЖЕННЯХ
DOI:
https://doi.org/10.20535/2617-8974.2020.3.195555Ключові слова:
комп’ютерна томографія, нейронна мережа, згорткова нейронна мережа, артефакти, Python, бібліотека Keras, 3D-шаблон протезаАнотація
Обґрунтовано необхідність створення системи для виявлення артефактів на КТ-зображеннях, створено архітектуру нейронної мережі в програмному середовищі Python за допомогою нейромережевої бібліотеки Keras та перевірено її точність за допомогою тестового набору зображень. Показано, що потенційно, можливості отриманої системи можуть буди вдосконалені для інших задач біомедичної інженеріїПосилання
Цифровые технологии в современной реконструктивной хирургии / [О. Є. Карпов, С. С. Гаврюшин, М. Н. Замятин та ін.]. // Вестник Национального медико-хирургического Центра им. Н.И. Пирогова. – 2016.
Кокорев П. А. АНАЛИЗ АРТЕФАКТОВ ИЗОБРАЖЕНИЙ В КОМПЬЮТЕРНОЙ ТОМОГРАФИИ / П. А. Кокорев. // Научно-технический вестник информационных технологий, механики и оптики 2008 ВАК. – 2008. – С. 84–87.
Календер В. Компьютерная томография – М.: Техносфера, 2006. – 244 с.
Марусина М.Я., Казначеева А.О. Современные виды томографии. Учебное пособие. – СПб: СПбГУ ИТМО, 2006. – 132 с.
Гордина Г.С. Методика проведения и оценки результатов компьютерной томографии пациентов с аномалиями зубочелюстной системы до хирургического лечения [Електронний ресурс] / Гордина Г.С.. – 2016. – Режим доступу до ресурсу:
https://vrach-aspirant.ru/articles/stomatology/13443/.
Лавренюк М. С. Огляд методів машинного навчання для класифікації великих обсягів супутникових даних / М. С. Лавренюк, О. М. Новіков. // System Research & Information Technologies. – 2018. – С. 52–71.
Bishop C.M. Pattern Recognition and Machine Learning / C.M. Bishop. — NY: Springer. — 2006.
Zgurovsky M.Z. System Analysis: Theory and Applications / M.Z. Zgurovsky, N.D. Pankratova // Springer. — 2007. — 448 p.
Novikov A. The synthesis of information protection systems with optimal properties / A. Novikov, A. Rodionov // Complexity and Security. — Vol. 37. — 2008. — 307 p.
LeCun Y. Deep learning / Y. LeCun, B. Yoshua, H. Geoffrey // Nature. — Vol. 521, N 7553. — 2015. — P. 436–444.
Ghamisi P. Advanced Spectral Classifiers for Hyperspectral Images: A review / P. Ghamisi, J. Plaza, Y. Chen et al // IEEE Geoscience and Remote Sensing Magazine. — Vol. 5, N 1. — 2017. — P. 8–32.
Fukunaga K. Introduction to statistical pattern recognition / K. Fukunaga // Academic press, 2013. — 591 p.
Maulik U. Remote Sensing Image Classification: A survey of support-vectormachine-based advanced techniques / U. Maulik, D. Chakraborty // IEEE Geoscience and Remote Sensing Magazine. — Vol. 5, N 1. — 2017. — P. 33–52.
Gislason P.O. Random forests for land cover classification / P.O. Gislason, J.A. Benediktsson, J.R. Sveinsson // Pattern Recognition Letters. — Vol. 27, N 4. — 2006. — P. 294–300.
McCulloch W.S. A logical calculus of the ideas immanent in nervous activity / W.S. McCulloch, W. Pitts // The bulletin of mathematical biophysics. — Vol. 5, N 4. — 1943. — P. 115–133.
Rumelhart D.E. Learning representations by back-propagating errors / D.E. Rumelhart, G.E. Hinton, R.J. Williams // Cognitive modeling. — Vol. 5, N 3. — 1988. — P. 213–220.
Amari S.I. Statistical theory of learning curves under entropic loss criterion / S.I. Amari, N. Murata // Neural Computation. — Vol. 5, N 1. — 1993. — P. 140–153.
Schmidhuber J. Deep learning in neural networks: An overview / J. Schmidhuber // Neural networks. — Vol. 61. — 2015. — P. 85–117.
Rumelhart D.E. Learning internal representations by error propagation / D.E. Rumelhart, G.E. Hinton, R.J. Williams // Parallel distributed processing. MIT Press. — 1986. — P. 318–362.
Duchi J. Adaptive subgradient methods for online learning and stochastic optimization / J. Duchi, E. Hazan, Y. Singer // Journal of Machine Learning Research. — 2011. — P. 2121–2159.
Patel V. Kalman-Based Stochastic Gradient Method with Stop Condition and Insensitivity to Conditioning / V. Patel // SIAM Journal on Optimization. — Vol. 26, N 4. — 2016. — P. 2620–2648.
Kingma D. Adam: A method for stochastic optimization / D. Kingma, J. Ba // arXiv preprint arXiv. — Vol. 1412, N 6980. — 2014. — P. 1–15.
Haykin S. Neural networks and learning machines / S. Haykin // Upper Saddle River. — NJ, USA: Pearson, 2009. — Vol. 3. — 938 p.
Hornik K. Multilayer feedforward networks are universal approximators / K. Hornik, M. Stinchcombe, H. White // Neural networks. — Vol. 2, N 5. — 1989. — P. 359–366.
Liu P. SVM or deep learning? A comparative study on remote sensing image classification / P. Liu, K.K.R. Choo, L. Wang, F. Huang // Soft Computing. — Vol. 21, N 23. — 2017. — P. 7053–7065.
Huang F.J. Large-scale learning with SVM and convolutional nets for generic object categorization / F.J. Huang, Y. LeCun // IEEE Computer Society Conference on Computer Vision and Pattern Recognition. — 2006. — P. 284–291. DOI: 10.1109/CVPR.2006.164.
Pirotti F. Benchmark of machine learning methods for classification of a Sentinel-2 image / F. Pirotti, F. Sunar, M. Piragnolo // International Archives of the Photogrammetry, Remote Sensing & Spatial Information Sciences. — Vol. 41. — 2016. — P. 335–340.
Breiman L. Random forests / L. Breiman // Machine learning. — Vol. 45, N 1. — 2001. — P. 5–32.
Програмування числових методів мовою Python : підруч. / А. В. Анісімов, А. Ю. Дорошенко, С. Д. Погорілий, Я. Ю. Дорогий ; за ред. А. В. Анісімова. – К. : Видавничо-поліграфічний центр "Київський університет", 2014. – 640 с.
Методичні вказівки до виконання лабораторних робіт з дисципліни “Інженерія прикладних інтелектуально-орієнтованих програмних продуктів” для студентів спеціальностей 121 “Інженерія програмного забезпечення” та 122 “Комп’ютерні науки та інформаційні технології” (всіх форм навчання) / В.М. Льовкін. – Запоріжжя : ЗНТУ, 2016. – 80 с.
Goldsborough P. A Tour of TensorFlow / P. Goldsborough. // Fakultät für Informatik. – 2016.
Understand TensorFlow by mimicking its API from scratch [Електронний ресурс] // Machine Learning. – 2019. – Режим доступу до ресурсу: https://medium.com/@d3lm/understand-tensorflow-by-mimicking-its-api-from-scratch-faa55787170d.
My Journey into DeepLearning using Keras [Електронний ресурс] // Medium. – 2018. – Режим доступу до ресурсу: https://towardsdatascience.com/my-journey-into-deeplearning-using-keras-part-1-67cbb50f65e6.
Карпович А. В. Використання загорткових нейронних мереж для задачі класифікації текстів / А. В. Карпович. // International scientific journal «Internauka». – 2018. – С. 69–72.
