СРАВНИТЕЛЬНОЕ ИССЛЕДОВАНИЕ СОВРЕМЕННЫХ НЕЙРОСЕТЕВЫХ АРХИТЕКТУР ДЛЯ ЗАДАЧ СЕГМЕНТИРОВАНИЯ МЕДИЦИНСКИХ ИЗОБРАЖЕНИЙ
https://doi.org/10.55452/1998-6688-2021-18-3-83-88
Аннотация
Компьютерное зрение - это область машинного обучения, которая отвечает за машинное восприятие визуальной информации. Сегментация изображения - это сфера компьютерного зрения, которая решает задачу разделения цифрового изображения на сегменты по их метке класса. Одной из основных проблем в данной сфере является нехватка данных и восстановление пространственной информации для классифицированного изображения. Эта статья представляет собой краткий обзор современных подходов к сегментации биомедицинских изображений, в частности архитектур сверточных нейронных сетей и морфологического преобразования для аугментации данных.
Об авторах
А. Нагметова
Казахстанско-Британский технический университет
Казахстан
Казахстан
050000, Алматы
А. Алдош
Казахстанско-Британский технический университет
Казахстан
Казахстан
050000, Алматы
Список литературы
1. O. Ronneberger, P. Fischer, T. Brox, (2015). U-Net: Convolutional Networks for Biomedical Image Segmentation. In: N. Navab, J. Hornegger, W. Wells, A. Frangi. (eds) Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. MICCAI 2015. Lecture Notes in Computer Science, vol 9351. https://doi.org/10.1007/978-3-319-24574-4_28
2. J. Long, E. Shelhamer, T. Darrell, (2015). Fully convolutional networks for semantic segmentation. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 3431-3440
3. F. P. An, & J. E. Liu, (2020). Medical Image Segmentation Algorithm Based on Optimized Convolutional Neural Network-Adaptive Dropout Depth Calculation. Complexity, 2020. https://doi.org/10.1155/2020/1645479
4. R. Rodrigues, R. Braz, M. Pereira, J. Moutinho, & A. M. G. Pinheiro, (2015). A Two-Step Segmentation Method for Breast Ultrasound Masses Based on Multi-resolutionAnalysis. Ultrasound in Medicine and Biology, 41(6), 1737–1748. https://doi.org/10.1016/j.ultrasmedbio.2015.01.012
5. A. M. Anter, & A. E. Hassenian, (2019). CT liver tumor segmentation hybrid approach using neutrosophic sets, fast fuzzy c-means and adaptive watershed algorithm. Artificial Intelligence in Medicine, 97(March), 105–117. https://doi.org/10.1016/j.artmed.2018.11.007
Рецензия
Для цитирования:
Нагметова А., Алдош А. СРАВНИТЕЛЬНОЕ ИССЛЕДОВАНИЕ СОВРЕМЕННЫХ НЕЙРОСЕТЕВЫХ АРХИТЕКТУР ДЛЯ ЗАДАЧ СЕГМЕНТИРОВАНИЯ МЕДИЦИНСКИХ ИЗОБРАЖЕНИЙ. Вестник Казахстанско-Британского технического университета. 2021;18(3):83-88. https://doi.org/10.55452/1998-6688-2021-18-3-83-88
For citation:
Nagmetova A., Aldosh A. COMPARATIVE STUDY OF MODERN NEURAL NETWORK ARCHITECTURES FOR MEDICAL IMAGE SEGMENTATION PROBLEMS. Herald of the Kazakh-British technical university. 2021;18(3):83-88. https://doi.org/10.55452/1998-6688-2021-18-3-83-88
Просмотров:
405
Послать статью по эл. почте 