Диагностика патологий по данным видеоэндоскопии с использованием ансамбля сверточных нейронных сетей /С. В. Аксенов, К. А. Костин, А. В. Иванова [и др.]

Электронный ресурс
Другой Автор
Костин, Кирилл Александрович
Иванова, Анна Витальевна
Liang, J.
Замятин, Александр Владимирович
Аксенов, Сергей Владимирович
Источник
Современные технологии в медицине 2018 Т. 10, № 2. С. 7-19
Паралельное заглавие
An ensemble of convolutional neural networks for the use in video endoscopy
Аннотация
Предлагается технология построения классификатора образов патологических образований, полученных с помощью видеоэндоскопии с применением методов глубинного обучения (deep learning). Для обучения и тестирования нейросетевых моделей использованы выборки публичной базы данных CVC-ColonDB и 20 видеозаписей процесса колоноскопии Университета штата Аризона (Феникс, США). Для повышения надежности модели классификации данные зашумлены эффектами, которые присущи съемке современными камерами, используемыми при эндоскопии, а также проведено исследование построения модели при выборках небольшого размера. При построении классификатора использованы результаты современных исследований моделей сверточных нейронных сетей в медицинской диагностике, что позволяет применять данный подход при проектировании архитектуры сверточных нейронных сетей в зависимости от особенностей задачи. Путем обобщения особенностей архитектур успешных моделей разработан новый подход к формированию безызбыточной сверточной нейронной сети. Согласно предлагаемому подходу, архитектура сети разделяется на блоки с определенными значениями характеристик, чередование которых позволяет сформировать наиболее эффективную структуру. С использованием предложенного подхода к формированию оптимальной архитектуры сверточных нейронных сетей на основе рекомендаций по выбору значений характеристик сети и ранжирования наиболее значимых из них разработан второй подход к построению адаптивной модели классификатора. Он основывается на формировании ансамбля классификаторов типа «сверточная нейронная сеть». Для обеспечения устойчивости к изменению исходных данных и широкой применимости к различным классам задач классификации изображений в ансамбль входит набор сетей с отличными друг от друга наиболее значимыми факторами. Экспериментальные исследования показали, что классификатор имеет потенциал улучшения качества распознавания путем разработки ансамбля сверточных нейронных сетей с учетом зависимостей, рассмотренных в предложенном подходе. Полученные результаты работы демонстрируют перспективность применения разработанного подхода для построения моделей классификации образов не только в ходе решения задач медицинской диагностики, но и для общих задач машинного зрения при малой выборке.
Всего оценка: 0
Нет записей для отображения.
 
 
 
06320nab a2200433 c 4500
001
 
 
vtls000646098
003
 
 
RU-ToGU
005
 
 
20181220162400.0
007
 
 
cr |
008
 
 
181220|2018    ru      s         c rus d
024
7
$a 10.17691/stm2018.10.2.01 $2 doi
035
$a to000646098
039
9
$a 201812201624 $b cat34 $c 201812201540 $d VLOAD $y 201812201244 $z VLOAD
040
$a RU-ToGU $b rus $c RU-ToGU
245
1
0
$a Диагностика патологий по данным видеоэндоскопии с использованием ансамбля сверточных нейронных сетей $c С. В. Аксенов, К. А. Костин, А. В. Иванова [и др.]
246
1
1
$a An ensemble of convolutional neural networks for the use in video endoscopy
504
$a Библиогр.: 30 назв.
520
3
$a Предлагается технология построения классификатора образов патологических образований, полученных с помощью видеоэндоскопии с применением методов глубинного обучения (deep learning). Для обучения и тестирования нейросетевых моделей использованы выборки публичной базы данных CVC-ColonDB и 20 видеозаписей процесса колоноскопии Университета штата Аризона (Феникс, США). Для повышения надежности модели классификации данные зашумлены эффектами, которые присущи съемке современными камерами, используемыми при эндоскопии, а также проведено исследование построения модели при выборках небольшого размера. При построении классификатора использованы результаты современных исследований моделей сверточных нейронных сетей в медицинской диагностике, что позволяет применять данный подход при проектировании архитектуры сверточных нейронных сетей в зависимости от особенностей задачи. Путем обобщения особенностей архитектур успешных моделей разработан новый подход к формированию безызбыточной сверточной нейронной сети. Согласно предлагаемому подходу, архитектура сети разделяется на блоки с определенными значениями характеристик, чередование которых позволяет сформировать наиболее эффективную структуру. С использованием предложенного подхода к формированию оптимальной архитектуры сверточных нейронных сетей на основе рекомендаций по выбору значений характеристик сети и ранжирования наиболее значимых из них разработан второй подход к построению адаптивной модели классификатора. Он основывается на формировании ансамбля классификаторов типа «сверточная нейронная сеть». Для обеспечения устойчивости к изменению исходных данных и широкой применимости к различным классам задач классификации изображений в ансамбль входит набор сетей с отличными друг от друга наиболее значимыми факторами. Экспериментальные исследования показали, что классификатор имеет потенциал улучшения качества распознавания путем разработки ансамбля сверточных нейронных сетей с учетом зависимостей, рассмотренных в предложенном подходе. Полученные результаты работы демонстрируют перспективность применения разработанного подхода для построения моделей классификации образов не только в ходе решения задач медицинской диагностики, но и для общих задач машинного зрения при малой выборке.
653
$a сверточные нейронные сети
653
$a нейронные сети
653
$a классификатор патологий
653
$a медицинская диагностика
653
$a глубинное обучение
653
$a техника обучения нейросети
653
$a deep learning
653
$a машинное обучение
653
$a глубокое обучение
655
4
$a статьи в журналах
700
1
$a Костин, Кирилл Александрович
700
1
$a Иванова, Анна Витальевна
700
1
$a Liang, J.
700
1
$a Замятин, Александр Владимирович
700
1
$a Аксенов, Сергей Владимирович
773
0
$t Современные технологии в медицине $d 2018 $g Т. 10, № 2. С. 7-19 $x 2076-4243
852
4
$a RU-ToGU
856
7
$u http://vital.lib.tsu.ru/vital/access/manager/Repository/vtls:000646098
908
$a статья
999
$a VIRTUA               
999
$a VTLSSORT0070*0080*0240*0350*0400*2450*2460*5040*5200*6530*6531*6532*6533*6534*6535*6536*6537*6538*6550*7004*7000*7001*7002*7003*7730*8520*8560*9080*9992
Нет комментариев.
Предмет
статьи в журналах
Резюме
Предлагается технология построения классификатора образов патологических образований, полученных с помощью видеоэндоскопии с применением методов глубинного обучения (deep learning). Для обучения и тестирования нейросетевых моделей использованы выборки публичной базы данных CVC-ColonDB и 20 видеозаписей процесса колоноскопии Университета штата Аризона (Феникс, США). Для повышения надежности модели классификации данные зашумлены эффектами, которые присущи съемке современными камерами, используемыми при эндоскопии, а также проведено исследование построения модели при выборках небольшого размера. При построении классификатора использованы результаты современных исследований моделей сверточных нейронных сетей в медицинской диагностике, что позволяет применять данный подход при проектировании архитектуры сверточных нейронных сетей в зависимости от особенностей задачи. Путем обобщения особенностей архитектур успешных моделей разработан новый подход к формированию безызбыточной сверточной нейронной сети. Согласно предлагаемому подходу, архитектура сети разделяется на блоки с определенными значениями характеристик, чередование которых позволяет сформировать наиболее эффективную структуру. С использованием предложенного подхода к формированию оптимальной архитектуры сверточных нейронных сетей на основе рекомендаций по выбору значений характеристик сети и ранжирования наиболее значимых из них разработан второй подход к построению адаптивной модели классификатора. Он основывается на формировании ансамбля классификаторов типа «сверточная нейронная сеть». Для обеспечения устойчивости к изменению исходных данных и широкой применимости к различным классам задач классификации изображений в ансамбль входит набор сетей с отличными друг от друга наиболее значимыми факторами. Экспериментальные исследования показали, что классификатор имеет потенциал улучшения качества распознавания путем разработки ансамбля сверточных нейронных сетей с учетом зависимостей, рассмотренных в предложенном подходе. Полученные результаты работы демонстрируют перспективность применения разработанного подхода для построения моделей классификации образов не только в ходе решения задач медицинской диагностики, но и для общих задач машинного зрения при малой выборке.