Глубокое обучение без учителя для сегментации медицинских изображений
Аннотация
Аннотация
Глубокое обучение без учителя для сегментации медицинских изображений
Студент группы РИ-460004 Заляцкий Г. С.
Руководитель Аксёнов К.А.
Консультант Ушенин К.С.
В этой работе была реализована сегментация биомедицинских изображений с помощью глубокого обучения без учителя. Целью работы являлась реализация алгоритма Joint Unsupervised Learning1 для сегментации изображений2 и его тестирование на различных биомедицинских изображениях. Результаты работы представлены в виде количественной оценки качества сегментации на основе коэффициента Дайса для худших, лучших и усредненных результатов по всем экспериментам для каждого набора изображений. В качестве опорных алгоритмов для сравнения качества сегментации были выбраны k-средних и мульти-Оцу.
Abstract
Segmentation of biomedical images using deep unsupervised learning
Student group RI-460004 Zalyatskiy G.S.
Supervisor Aksyonov K. A.
Consultant Ushenin K. S.
In this paper was implemented segmentation of biomedical images using deep unsupervised learning. Purpose of the research was to realize Joint Unsupervised Learning algorithm for image segmentation and test it on various types of biomedical images. The results of the research are presented as quantitative statistic results of Dice coefficient estimation for best, worst and average results for all experiments for each dataset. K-means and Multi-Otsu were chosen as baseline algorithms for quality estimation of segmentation results.
Глубокое обучение без учителя для сегментации медицинских изображений
Студент группы РИ-460004 Заляцкий Г. С.
Руководитель Аксёнов К.А.
Консультант Ушенин К.С.
В этой работе была реализована сегментация биомедицинских изображений с помощью глубокого обучения без учителя. Целью работы являлась реализация алгоритма Joint Unsupervised Learning1 для сегментации изображений2 и его тестирование на различных биомедицинских изображениях. Результаты работы представлены в виде количественной оценки качества сегментации на основе коэффициента Дайса для худших, лучших и усредненных результатов по всем экспериментам для каждого набора изображений. В качестве опорных алгоритмов для сравнения качества сегментации были выбраны k-средних и мульти-Оцу.
Abstract
Segmentation of biomedical images using deep unsupervised learning
Student group RI-460004 Zalyatskiy G.S.
Supervisor Aksyonov K. A.
Consultant Ushenin K. S.
In this paper was implemented segmentation of biomedical images using deep unsupervised learning. Purpose of the research was to realize Joint Unsupervised Learning algorithm for image segmentation and test it on various types of biomedical images. The results of the research are presented as quantitative statistic results of Dice coefficient estimation for best, worst and average results for all experiments for each dataset. K-means and Multi-Otsu were chosen as baseline algorithms for quality estimation of segmentation results.