Klasyfikacja obrazów w tomografii komputerowej z wykorzystaniem głębokich sieci neuronowych

• Autorzy: Podolszańska Jolanta

Warianty tytułu

EN

Classification of images in CT scans using deep neural networks

• Języki publikacji: PL

Abstrakty

PL

Głębokie uczenie jest podkategorią uczenia maszynowego, które polega na tworzeniu wielowarstwowych sieci neuronowych, naśladując tym samym wykonywanie zadań przez ludzki mózg. Algorytmy głębokiego uczenia są ułożone według rosnącej złożoności, dlatego możliwe jest stworzenie systemów do analizy dużych zbiorów danych. Proces uczenia odbywa się bez nadzoru, a program buduje samodzielnie zestaw cech do rozpoznania. Artykuł przybliża na czym polega owa klasyfikacja obrazu tomograficznego.

EN

Deep learning is a subcategory of machine learning, which involves the creation of multilayer neural networks, mimicking the performance of tasks by the human brain. Deep learning algorithms are arranged according to increasing complexity, so it is possible to create systems to analyze large data sets. The learning process takes place unsupervised, and the program builds a set of features to recognize. The article presents the classification of the tomographic image.

Słowa kluczowe

PL

obrazowanie rentgenowskie; uczenie głębokie; klasyfikacja obrazu; obrazowanie medyczne

EN

x-ray imaging; deep learning; image classification; medical imaging

• Wydawca: Indygo Zahir Media
• Czasopismo: Inżynier i Fizyk Medyczny
• Rocznik: 2020
• Tom: Vol. 9, nr 4
• Strony: 235--237
• Opis fizyczny: Bibliogr. 9 poz.

Twórcy

autor

Podolszańska Jolanta

• Katedra Inteligentnych Systemów Informatycznych, Politechnika Częstochowska, Aleja Armii Krajowej 36, 42-202 Częstochowa

Bibliografia

• 1. S. Dinggang, W. Guorong, S. Heung-Il: Deep Learning in Medical Image Analysis, The Annual Review of Biomedical Engineering, Annual Review of Biomedical Engineering, 19, 2017, 221-248.
• 2. T.J. Cleophas, A.H. Zwinderman: Machine Learning in Medicine a Complete Overview, Springer International Publishing, 2015, 17-24.
• 3. W. Wang, L. Dong, Q. Chen, Y. Iwamoto, X.-H. Han, Z. Qiaowei, H. Hu, L. Lin, Y.-W. Chen: Medical Image Classification Using Deep Learning, 2020, 10.1007/978-3-030-32606-7_3.
• 4. S.M. Anwar, M. Majid, A. Qayyum, et al.: Medical Image Analysis using Convolutional Neural Networks: A Review, J Med Syst, 42, 2018, 226.
• 5. S. Osowski: Głębokie sieci neuronowe i ich zastosowania w eksploracji danych, 10.15199/59.2018.5.2, 112-114.
• 6. M. Irfan, I.A. Hameed: Deep learning based classification for healthcare data analysis system, International Conference on Behavioral, Economic, Socio-cultural Computing (BESC), Krakow, 2017, 1-6, doi: 10.1109/BESC.2017.8256396.
• 7. Y. Zhang, S. Wang, H. Zhao, et al.: CT image classification based on convolutional neural network, Neural Comput&Applic, 2020, https://doi.org/10.1007/s00521-020-04933-4.
• 8. L. Zhong: Convolutional Deep Belief Networks for Single-Cell/Object Tracking in Computational Biology and Computer VisionBio-Med Research International, 2016, 9406259.
• 9. J.D. Spurrier: Additional Tables for Steel–Dwass–Critchlow–Fligner Distribution-Free Multiple Comparisons of Three Treatments, Communications in Statistics – Simulation and Computation, 35(2), 2006, 441-446.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2021).