Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот ресурс:
http://hdl.handle.net/11701/32235
Полная запись метаданных
Поле DC | Значение | Язык |
---|---|---|
dc.contributor.advisor | Тимошенко Денис Максимович | ru_RU |
dc.contributor.advisor | Timosenko Denis Maksimovic | en_GB |
dc.contributor.author | Дурандин Даниил Павлович | ru_RU |
dc.contributor.author | Durandin Daniil Pavlovic | en_GB |
dc.contributor.editor | Гришкин Валерий Михайлович | ru_RU |
dc.contributor.editor | Griskin Valerij Mihajlovic | en_GB |
dc.date.accessioned | 2021-08-07T09:11:02Z | - |
dc.date.available | 2021-08-07T09:11:02Z | - |
dc.date.issued | 2021 | |
dc.identifier.other | 047794 | en_GB |
dc.identifier.uri | http://hdl.handle.net/11701/32235 | - |
dc.description.abstract | Темой данной работы является классификация рентген снимков груди на различные типы патологий. В данной работе проведён анализ различных наборов медицинских снимков для выявления общей специфики такого рода данных. Рассмотрены различные подходы учитывающие специфику наборов медицинских данных. Так же были предложены и реализованы модели с механизмом внимания к областям предполагаемых патологий на снимке. Данные модели были объединены в ансамбль. В результате предложенный подход смог улучшить качество классификации относительно результата популярных моделей свёрточных сетей. Так же предложенный метод позволяет экономить вычислительные ресурсы, за счёт возможности анализа небольших частей изображения. | ru_RU |
dc.description.abstract | The topic of this work is the classification of chest x-rays into various types of pathologies. In this paper, we analyze various sets of medical images to identify the general specifics of this kind of data. Various approaches are considered, taking into account the specifics of medical data sets. Models with the mechanism of attention to the areas of suspected pathologies in the picture were also proposed and implemented. These models were combined into an ensemble. As a result, the proposed approach was able to improve the quality of classification relative to the result of popular convolutional network models. Also, the proposed method allows you to save computing resources, due to the ability to analyze small parts of the image. | en_GB |
dc.language.iso | ru | |
dc.subject | Обработка изображений | ru_RU |
dc.subject | компьютерное зрение | ru_RU |
dc.subject | свёрточные нейронные сети | ru_RU |
dc.subject | классификация рентген снимков | ru_RU |
dc.subject | Image processing | en_GB |
dc.subject | computer vision | en_GB |
dc.subject | convolutional neural networks | en_GB |
dc.subject | classification of X-rays | en_GB |
dc.title | Medical image classification using convolution neural networks | en_GB |
dc.title.alternative | Классификация медицинских изображений с помощью свёрточных нейронных сетей | ru_RU |
Располагается в коллекциях: | MASTER'S STUDIES |
Файлы этого ресурса:
Файл | Описание | Размер | Формат | |
---|---|---|---|---|
Magisterskaa_dissertacia_Durandin_D.P.pdf | Article | 1,5 MB | Adobe PDF | Просмотреть/Открыть |
reviewSV_Otzyv_Durandin.pdf | ReviewSV | 135,16 kB | Adobe PDF | Просмотреть/Открыть |
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.