Powiadomienia systemowe
- Sesja wygasła!
Tytuł artykułu
Autorzy
Treść / Zawartość
Pełne teksty:
Identyfikatory
Warianty tytułu
Architecture of a platform that uses machine learning methods to process biomedical images in the cloud
Języki publikacji
Abstrakty
W artykule zaproponowana została architektura korzystająca z chmury Microsoft Azure umożliwiająca uruchomienie algorytmów uczenia maszynowego służących do wykrywania guzów mózgu z zestawu obrazów DICOM. Przedstawiony został proces wdrożenia modelu z uwzględnieniem integracji z infrastrukturą jednostki wykonującej badania medyczne. Zwrócono uwagę na bezpieczeństwo danych i ograniczenia typowe dla danych medycznych. Wskazano dalsze perspektywy rozwoju omawianego rozwiązania.
This paper proposes architecture based on Microsoft Azure Cloud that uses machine learning algorithms to detect brain tumours from a set of DICOM images. The process of implementing the model is presented, including integration with the infrastructure of the unit performing medical research. Data security and limitations typical for medical data are described. Further development perspectives for the discussed solutions are indicated.
Słowa kluczowe
Rocznik
Tom
Strony
35--44
Opis fizyczny
Bibliogr. 13 poz., rys.
Twórcy
autor
- Politechnika Warszawska
autor
- Politechnika Warszawska
autor
- Polsko-Japońska Akademia Technik Komputerowych
Bibliografia
- [1] Oficjalna strona internetowa brytyjskiego instytutu NICE https://www.nice.org.uk/news/blog/1-in-2-people-will-get-cancer (dostęp 28.02.2020).
- [2] Oficjalna strona internetowa Ministerstwa Zdrowia w Polsce https://www.gov.pl/web/zdrowie/narodowy-program-zwalczania-chorob-nowotworowych-na-lata-2016-2024 (dostęp 28.02.2020).
- [3] Mesfin F.B., Al-Dhahir M.A., Cancer, Brain Gliomas, In: StatPearls [Internet], https://www.ncbi.nlm.nih.gov/books/NBK441874/, 2020.
- [4] Siwek K., Kot E., Algorytm segmentacji wyników badań CT i PET mózgu do wykrywania i wyznaczania objętości glejaka, Poznan University Of Technology Academic Journals, Poznan 2019.
- [5] Mohanta B., Das P., Patnaik S., Healthcare 5.0: A Paradigm Shift in Digital Healthcare System Using Artificial Intelligence, IOT and 5G Communication, pp. 191–196, 2020.
- [6] Shewale M.A.D., IOT based Smart and Secure Health Care System Analysis & Data Comparison, Int. J. Res. Appl. Sci. Eng. Technol., vol. 8, no. 1, pp. 394–398, 2020.
- [7] Sangeetha S., Kannimuthu S., Survey on Big Data Analytics and its Applications, Int. J. Comput. Appl., vol. 153, no. 12, pp. 9–12, 2016.
- [8] Computing M., Kumar R.S., Privacy-Preserving Healthcare Architecture Using Blockchain, vol. 9, no. 1, pp. 116–120, 2020.
- [9] Newhauser W., Jones T., Swerdloff S., Newhauser W., Cilia M., Carver R., Halloran A., Zhang R., Anonymization of DICOM electronic medical records for radiation therapy. Computers in biology and medicine, 53, 134–140, 2014.
- [10] Paul J., Data Masking in Cloud Computing, vol. 3085, no. 08, pp. 118–121, 2019.
- [11] Ravikumar G.K., Manjunath T.N., Hegadi R., Design of Data Masking Architecture and Analysis of Data Masking Techniques for Testing. International Journal of Engineering Science, 2011.
- [12] Warwick W., A Framework to Assess Healthcare Data Quality. The European Journal of Social and Behavioural Sciences. 13. 1730-1735, 2015.
- [13] Oficjalne repozytorium formatu ONNX z kodem źródłowym https://github.com/onnx/models (dostęp 28.02.2020).
Uwagi
Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-07baa36f-21a0-4b17-8f71-f8d85b8c3c81