Диагностика патологий по данным видеоэндоскопии с использованием ансамбля сверточных нейронных сетей; Современные технологии в медицине; Т. 10, № 2
| Parent link: | Современные технологии в медицине.— , 2009- Т. 10, № 2.— 2018.— [С. 7-19] |
|---|---|
| Autor Corporativo: | |
| Outros Autores: | , , , , |
| Resumo: | Заглавие с экрана 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. In this study, a technology for creating a classifier able to identify pathological formations in images obtained with video endoscopy using the methods of deep learning is proposed. For the training and testing of neural network models, images from the CVC-ColonDB open database and 20 colonoscopy video records from the University of Arizona (Phoenix, USA) were used. To improve the performance of the proposed classification model, noise effects inherent to video cameras were considered. In addition, a study on building the model using small data samples was conducted. In building the classifier, we utilized the results of recent studies on convolutional neural networks used in medical diagnostics, which allows us to apply the proposed approach to designing the architecture of a convolutional neural network adapted to a given task. By generalizing the features of the successful models, we developed an approach towards creating a non-excessive convolutional neural network. According to the proposed approach, the network architecture is divided into blocks, which alternate to enable composing the most efficient architecture. Using the proposed approach based on the recommended selection strategy and then ranking the most significant parameters, a second approach towards building an adaptive model of classifier has been proposed. It is based on the formation of an ensemble of classifiers such as the "convolutional neural network". To ensure the stability of the model and its insensitivity to changes in the input data as well as its applicability to different classification tasks, a set of networks with different major parameters are incorporated into the ensemble. Our experimental studies have shown that the proposed classifier can be improved by developing an ensemble of convolutional neural networks, which considers the functions proposed in the present approach. The results imply the prospective application of the developed approach for building classification models not only for medical diagnostics but also for general problems of machine vision based on small samples. Режим доступа: по договору с организацией-держателем ресурса |
| Idioma: | russo |
| Publicado em: |
2018
|
| Colecção: | Оригинальные исследования |
| Assuntos: | |
| Acesso em linha: | https://www.elibrary.ru/item.asp?id=35177236 https://doi.org/10.17691/stm2018.10.2.01 |
| Formato: | Recurso Electrónico Capítulo de Livro |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=664075 |
MARC
| LEADER | 00000naa0a2200000 4500 | ||
|---|---|---|---|
| 001 | 664075 | ||
| 005 | 20250425141734.0 | ||
| 035 | |a (RuTPU)RU\TPU\network\35259 | ||
| 035 | |a RU\TPU\network\22869 | ||
| 090 | |a 664075 | ||
| 100 | |a 20210326d2018 k||y0rusy50 ca | ||
| 101 | 0 | |a rus | |
| 102 | |a RU | ||
| 135 | |a drcn ---uucaa | ||
| 181 | 0 | |a i | |
| 182 | 0 | |a b | |
| 200 | 1 | |a Диагностика патологий по данным видеоэндоскопии с использованием ансамбля сверточных нейронных сетей |d An ensemble of convolutional neural networks for the use in video endoscopy |f С. В. Аксёнов, К. А. Костин, А. В. Иванова [и др.] | |
| 203 | |a Текст |c электронный | ||
| 225 | 1 | |a Оригинальные исследования | |
| 300 | |a Заглавие с экрана | ||
| 320 | |a [Библиогр.: с. 18-19 (30 назв.)] | ||
| 330 | |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. | ||
| 330 | |a 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. | ||
| 330 | |a In this study, a technology for creating a classifier able to identify pathological formations in images obtained with video endoscopy using the methods of deep learning is proposed. For the training and testing of neural network models, images from the CVC-ColonDB open database and 20 colonoscopy video records from the University of Arizona (Phoenix, USA) were used. To improve the performance of the proposed classification model, noise effects inherent to video cameras were considered. In addition, a study on building the model using small data samples was conducted. In building the classifier, we utilized the results of recent studies on convolutional neural networks used in medical diagnostics, which allows us to apply the proposed approach to designing the architecture of a convolutional neural network adapted to a given task. By generalizing the features of the successful models, we developed an approach towards creating a non-excessive convolutional neural network. | ||
| 330 | |a According to the proposed approach, the network architecture is divided into blocks, which alternate to enable composing the most efficient architecture. Using the proposed approach based on the recommended selection strategy and then ranking the most significant parameters, a second approach towards building an adaptive model of classifier has been proposed. It is based on the formation of an ensemble of classifiers such as the "convolutional neural network". To ensure the stability of the model and its insensitivity to changes in the input data as well as its applicability to different classification tasks, a set of networks with different major parameters are incorporated into the ensemble. Our experimental studies have shown that the proposed classifier can be improved by developing an ensemble of convolutional neural networks, which considers the functions proposed in the present approach. The results imply the prospective application of the developed approach for building classification models not only for medical diagnostics but also for general problems of machine vision based on small samples. | ||
| 333 | |a Режим доступа: по договору с организацией-держателем ресурса | ||
| 338 | |b Российский фонд фундаментальных исследований |d 16-47-700289 | ||
| 461 | |t Современные технологии в медицине |d 2009- | ||
| 463 | |t Т. 10, № 2 |v [С. 7-19] |d 2018 | ||
| 510 | 1 | |a An ensemble of convolutional neural networks for the use in video endoscopy |z eng | |
| 610 | 1 | |a электронный ресурс | |
| 610 | 1 | |a труды учёных ТПУ | |
| 610 | 1 | |a глубокое обучение | |
| 610 | 1 | |a машинное обучение | |
| 610 | 1 | |a сверточные нейронные сети | |
| 610 | 1 | |a классификаторы | |
| 610 | 1 | |a паталогии | |
| 610 | 1 | |a медицинская диагностика | |
| 610 | 1 | |a видеоэндоскопия | |
| 610 | 1 | |a deep learning | |
| 610 | 1 | |a convolutional neural network | |
| 610 | 1 | |a classifier of pathologies | |
| 610 | 1 | |a medical diagnostics | |
| 701 | 1 | |a Аксёнов |b С. В. |c специалист в области информатики и вычислительной техники |c доцент Томского политехнического университета, кандидат технических наук |f 1983- |g Сергей Владимирович |3 (RuTPU)RU\TPU\pers\25383 |9 11326 | |
| 701 | 1 | |a Костин |b К. А. |c специалист в области информатики и вычислительной техники |c инженер Томского политехнического университета |f 1992- |g Кирилл Александрович |3 (RuTPU)RU\TPU\pers\33052 | |
| 701 | 1 | |a Иванова |b А. В. |g Алена Владимировна | |
| 701 | 1 | |a Liang |b J. | |
| 701 | 1 | |a Замятин |b А. В. |c специалист в области информатики и вычислительной техники |c доцент Томского политехнического университета, доктор технических наук |f 1978- |g Александр Владимирович |3 (RuTPU)RU\TPU\pers\25542 | |
| 712 | 0 | 2 | |a Национальный исследовательский Томский политехнический университет |b Инженерная школа информационных технологий и робототехники |b Отделение информационных технологий |3 (RuTPU)RU\TPU\col\23515 |
| 801 | 0 | |a RU |b 63413507 |c 20210326 |g RCR | |
| 850 | |a 63413507 | ||
| 856 | 4 | |u https://www.elibrary.ru/item.asp?id=35177236 | |
| 856 | 4 | |u https://doi.org/10.17691/stm2018.10.2.01 | |
| 942 | |c CF | ||