Анализ медицинских изображений методами глубокого обучения
Аннотация
Выпускная квалификационная работа 31 с., 20 рисунков, 12 источников.
Ключевые слова: глубокое обучение, сегментация изображений, сверточные нейронные сети, магнитно-резонансная томография, гистология
В этой работе исследуются методы глубокого обучения для сегментации в задаче сегментации полостей сердца по данным магнитно резонансной томографии и в задаче сегментации тучных клеток на гистологических срезах с помощью архитектуры нейронных сетей FCN, Unet и Enet, ранее не применяемой для биомедицинских изображений.
Для этого использовался открытый датасет ACDC, содержащий МРТ записи 100 пациентов, а также оригинальный датасет гистологических срезов.
Показано, что архитектура Enet незначительно уступает архитектуре Unet, но при этом значительно вычислительно эффективна, чем остальные модели, что важно для практического применения.
Keywords: deep training, image segmentati]on, convolution neural networks, magnetic resonance imaging, histology This study investigates deep learning methods for segmentation in the heart cavity segmentation task based on MRI data and in the task of segmentation of mast cells at histological slices using the FCN, Unet and Enet neural network architecture, which was not previously used for biomedical images.
For this purpose, an ACDC open data set containing MRI records of 100 patients was used, as well as the original histological slice data set.
It is shown that the Enet architecture is slightly inferior to the Unet architecture, but at the same time it is significantly more computationally efficient than other models, which is important for practical application.
Ключевые слова: глубокое обучение, сегментация изображений, сверточные нейронные сети, магнитно-резонансная томография, гистология
В этой работе исследуются методы глубокого обучения для сегментации в задаче сегментации полостей сердца по данным магнитно резонансной томографии и в задаче сегментации тучных клеток на гистологических срезах с помощью архитектуры нейронных сетей FCN, Unet и Enet, ранее не применяемой для биомедицинских изображений.
Для этого использовался открытый датасет ACDC, содержащий МРТ записи 100 пациентов, а также оригинальный датасет гистологических срезов.
Показано, что архитектура Enet незначительно уступает архитектуре Unet, но при этом значительно вычислительно эффективна, чем остальные модели, что важно для практического применения.
Keywords: deep training, image segmentati]on, convolution neural networks, magnetic resonance imaging, histology This study investigates deep learning methods for segmentation in the heart cavity segmentation task based on MRI data and in the task of segmentation of mast cells at histological slices using the FCN, Unet and Enet neural network architecture, which was not previously used for biomedical images.
For this purpose, an ACDC open data set containing MRI records of 100 patients was used, as well as the original histological slice data set.
It is shown that the Enet architecture is slightly inferior to the Unet architecture, but at the same time it is significantly more computationally efficient than other models, which is important for practical application.