Исследование моделей машинного обучения для сегментации медицинских изображений / И. А. Белозеров, В. А. Судаков
Язык: русский ; английский.Выходные данные: Москва : ИПМ им. М. В. Келдыша РАН, 2022Физическая характеристика: 15 с. : ил., цв. ил., табл. ; 21 см.Серия: Препринт ; № 37за 2022 г. ; 2071-2898 . Препринты ИПМ им. М. В. Келдыша Примечания: Часть текста парал. рус., англ..Резюме или реферат: На примере рентгеновских снимков легких человека проводятся анализ и построение моделей семантической сегментации. В работе исследуются различные подходы к обработке медицинских изображений, сравнение способов реализации моделей глубинного обучения и их оценивания. Разработаны 5 моделей нейронных сетей для выполнения задачи сегментирования. Они реализованы с помощью библиотек TensorFlow и PyTorch. Модель с лучшими показателями может быть применена для построения системы автоматической сегментации различных снимков пациентов и расчета характеристик их органов.Библиография: Библиогр.: с. 15 (8 назв.).Предметная рубрика - Тема: Медицинские изображения -- Компьютерная обработкаУДК: 615.47, 4Другие классификации: Р34с51Коллекция: Национальная библиография Тип экземпляра: Книга| Тип экземпляра | Текущая библиотека | Шифр хранения | Кол-во копий | Статус | Срок возврата | Штрих-код | |
|---|---|---|---|---|---|---|---|
| Книга | РНБ (Московский) Русский книжный фонд: издания с 1957 года, 8этаж, Хран. | 2022-4/8813 (Просмотр полки(Открывается ниже)) | КН-П-4792 | Доступно | 1-3966847 | ||
| Книга | РНБ (Московский) Обменный фонд | КН-П-4792 | Доступно | 1-3966846 |
Часть текста парал. рус., англ.
Библиогр.: с. 15 (8 назв.)
На примере рентгеновских снимков легких человека проводятся анализ и построение моделей семантической сегментации. В работе исследуются различные подходы к обработке медицинских изображений, сравнение способов реализации моделей глубинного обучения и их оценивания. Разработаны 5 моделей нейронных сетей для выполнения задачи сегментирования. Они реализованы с помощью библиотек TensorFlow и PyTorch. Модель с лучшими показателями может быть применена для построения системы автоматической сегментации различных снимков пациентов и расчета характеристик их органов