КОМПЬЮТЕРЛЕРДІ КӨРУ ҮЛГІЛЕРІН САЛЫСТЫРУ
https://doi.org/10.55452/1998-6688-2021-18-3-75-82
Аңдатпа
Медициналық салада машиналық оқытуды қолдану күрделі және мұқият шешілмеген мәселелердің бірі болып табылады. Қазіргі уақытта биомедициналық кескіндерді диагностикалау және сегменттеу саласындағы мәселелерді шешудің көптеген түрлі алгоритмдері бар. Зерттеушілер көбіне олардың мәліметтеріне қолданудың ең тиімді әдісін таңдау мәселесіне тап болады. Біз эмпирикалық зерттеулер жүргіздік және медициналық кескіндердегі ауытқуларды анықтау мәселесін шеше алатын 5 алгоритмді салыстырдық: Fast-RCNN, Faster-RCNN, Mask R CNN, U-Net, R2-Unet және Resediul Neural Network. Автоматты өңдеудің артықшылықтары медициналық кескіндер айқын: ауруды тезірек анықтауға болады, дәрігерлер ыңғайлы бағдарламалық жасақтама алады және деректерді өңдеудегі қателіктердің пайызы азаяды. Тапсырма қойылды – нақты деректер бойынша одан әрі тестілеудің алгоритмдерін оқып, содан кейін таңдау. Алгоритмдерді таңдау мен зерттеу компьютерлік көру алгоритмдерінің архитектурасы мен қолданылуын сипаттайтын мақалаларға негізделген.
Авторлар туралы
Д. Нам
Қазақcтан-Британ техникалық университеті
Қазақстан
Қазақстан
050000, Алматы
Т. Савина
Қазақcтан-Британ техникалық университеті
Қазақстан
Қазақстан
050000, Алматы
Әдебиет тізімі
1. R. Girshick, J. Donahue, T. Darrell, and J. Malik, “Rich feature hierar-chies for accurate object detection and semantic segmentation,”Proceed-ings of the IEEE Computer Society Conference on Computer Vision andPattern Recognition, pp. 580–587, 2014.
2. R. Girshick, “Fast R-CNN,”Proceedings of the IEEE International Conference on Computer Vision, vol. 2015 Inter, pp. 1440–1448, 2015
3. S. Ren, K. He, R. Girshick, and J. Sun, “Faster r-cnn: Towards real-timeobject detection with region proposal networks,” 2016.
4. K. He, G. Gkioxari, P. Doll ár, and R. Girshick, “Mask R-CNN,”IEEETransactions on Pattern Analysis and Machine Intelligence, vol. 42, no. 2,pp. 386–397, 2020.
5. J. W. Johnson, “Adapting Mask-RCNN for automatic nucleus segmentation,” arXiv, pp. 1–7, 2018.
6. Image set BBBC038v1, available from the Broad Bioimage Benchmark Collection [Caicedo et al., Nature Methods, 2019]
7. S. Liu, L. Qi, H. Qin, J. Shi, and J. Jia, “Path aggregation network forinstance segmentation,” 2018
8. E. Kopelowitz and G. Engelhard, “Lung nodules detection and segmen-tation using 3d mask-rcnn,” 2019
9. C. Zhao, J. Han, Y. Jia, and F. Gou, “Lung nodule detection via3D U-net and contextual convolutional neural network,”Proceedings -2018 International Conference on Networking and Network Applications,NaNA 2018, pp. 356–361, 2019. A. Pak, A. Ziyaden, K. Tukeshev, A. Jaxylykova, and D. Abdullina,“Comparative analysis of deep learning methods of detection of diabeticretinopathy,”Cogent Engineering, vol. 7, no. 1, p. 1805144, 2020.
10. O. Ronneberger, P. Fischer, T. Brox, “U-net: Convolutional networks for biomedical image segmentation”, vol. 9351, pp.234-241, 2015.
11. M. Zhou, M. Rahman, N. Siddiquee, Tajbakhsh, and J. Liang, Unet++, “A nested u-net architecture for medical image segmentation”, Springer International Publishing, 2018, vol. 11045 LNCS. [Online].
12. K.He, X.Zhang, S. Ren, “Deep residual learning for image recognition”, Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, vol. 2016-decem, p.770-778, 2016.
13. Romera-Paredes and P. H. S. Torr, “Recurrent instance segmentation,” Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), vol. 9910 LNCS, pp. 312–329, 2016.
14. O. Vinyals, Q.Le, “A Neural Conversational Model”, vol. 37, 2016.
Рецензия
Дәйектеу үшін:
Нам Д., Савина Т. КОМПЬЮТЕРЛЕРДІ КӨРУ ҮЛГІЛЕРІН САЛЫСТЫРУ. Қазақстан-Британ техникалық университетінің хабаршысы. 2021;18(3):75-82. https://doi.org/10.55452/1998-6688-2021-18-3-75-82
For citation:
Nam D., Savina T. COMPUTER VISION MODEL COMPARISON. Herald of the Kazakh-British Technical University. 2021;18(3):75-82. https://doi.org/10.55452/1998-6688-2021-18-3-75-82
Қараулар:
575
Мақаланы эл. пошта арқылы жіберу 