Алгоритм сегментації новоутворених пухлин на МРТ зображенні головного мозку за допомогою комбінацій нейронних мереж

Скорочена інформація про документ
dc.contributor.authorПомпа, К. В.
dc.contributor.authorМаксименко, В. Б.
dc.date.accessioned2020-05-27T18:04:22Z
dc.date.available2020-05-27T18:04:22Z
dc.date.issued2019
dc.description.abstractenThe algorithm of segmentation of brain tumors in MRI images is proposed. In the iteration of the computation algorithm, the outputs of the base neural networks are used as input data for a new trained neural network, which in the future serves as a unifier in order to distinguish scar tissue or non-affected tissue from tumor cells. This approach has a complex generalization, but, thus, it is possible to improve the quality of segmentation of the tumor by a combination of neural networks. The components of the algorithm are basic classifiers that will extract complex functions of the regularities (often implicit) from the data stream, and the unifier will become a classifier that aggregates these functions. At the aggregation level, the data is derived from the classifiers, and the aggregation of the single output. When iterating the computation algorithm, the outputs of the basic classifiers are used as input data for the new trained neural network, which later acts as a unifier. The key idea of the algorithm is that the individual result for each classifier is determined based on the models previously trained, then the voxel is classified as part of the tumor if at least one of the classifiers determines it as a tumor. Further, the result of segmentation of the basic classifiers falls on the input of the already trained meta-classifier, which makes the final decision regarding the voxel's belonging to the image to the tumor cells. In this case, a special algorithm is used. The pixel algorithm proposes to classify pixels in adjacent areas based on gray levels. This method uses local information - the values of the gray levels of adjacent pixels, or, global information - the total distribution of the gray levels of adjacent pixels. The gray levels reflect the intensity of the light in each pixel. At the level of input data and manipulations with them there is an input to the input of the neural network for training.uk
dc.description.abstractruПредложен алгоритм сегментации опухолей головного мезга на изображениях МРТ, который реализован на основе нескольких ансамблів нейронних сетей. При интерации алгоритма вычисления используются выходы базових нейронних сетей как входные данные для новой тренированной нейронной сети, которая в дальнейшем выступает в качестве объединителя для того, чтобы от личить рубцовую ткань или не пораженную ткань от клеток опухоли. Данный поход имеет сложный обобщающий характер, но, таким образом, удается повысить качество сегментации опухоли комбинацией нейронних сетей. Особенность алгоритма заключается в том, что индивидуальный результат каждого классификатора определяется на основе натренированных ранее моделей, потом вексель классифицируется, как часть опухоли, если хоть один из классификаторов определяет его как опухоль. Далее результат сегментации базових классификаторов попадает на вход уже наученного мета-классификатора, который принимает окончательное решение по принадлежности векселя на изображении к клеткам опухоли.uk
dc.description.abstractukЗапропоновано алгоритм сегментації пухлин головного мозку на зображеннях МРТ, що реалізований на основі декількох ансамблів нейронних мереж. При ітерації алгоритму обчислення використовуються виходи базових нейронних мереж як вхідні данні для нової тренованої нейронної мережі, яка в подальшому виступає об’єднувачем для того, щоб відрізнити рубцеву тканину або не вражену тканину від клітин пухлини. Даний підхід має складний узагальнюючий характер, але, таким чином, вдається підвищити якість сегментації пухлини комбінацією нейронних мереж. Особливість алгоритму полягає в тому, що індивідуальний результат для кожного класифікатора визначається на основі натренованих раніше моделей, потім воксель класифікується як частина пухлини, якщо хоча б один з класифікаторів визначить його як пухлину. Далі, результат сегментації базових класифікаторів потрапляє на вхід вже навченого мета-класифікатора, який приймає остаточне рішення щодо приналежності вокселя на зображенні до клітин пухлини.uk
dc.format.pagerangeС. 72-79uk
dc.identifier.citationПомпа, К. В. Алгоритм сегментації новоутворених пухлин на МРТ зображенні головного мозку за допомогою комбінацій нейронних мереж / Помпа К. В., Максименко В. Б. // Біомедична інженерія і технологія. – 2019. – №2. – С. 72-79. – Бібліогр.: 25 назв.uk
dc.identifier.doihttps://doi.org/10.20535/2617-8974.2019.2.167054
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/33808
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.sourceБіомедична інженерія і технологія, 2019, №2uk
dc.subjectсегментація зображенняuk
dc.subjectнейронні мережіuk
dc.subjectнейромережеві ансамбліuk
dc.subjectкомбінація нейронних мережuk
dc.subjectпухлини головного мозкуuk
dc.subjectМРТ зображенняuk
dc.subjectimage segmentationuk
dc.subjectneural networksuk
dc.subjectneural network ensemblesuk
dc.subjectcombination of neural networksuk
dc.subjectbrain tumorsuk
dc.subjectMRI imagesuk
dc.subjectсегментация изображенияuk
dc.subjectнейронные сетиuk
dc.subjectнейросетевые ансамблиuk
dc.subjectкомбинация нейронных сетейuk
dc.subjectопухоли головного мозгаuk
dc.subjectМРТ изображенияuk
dc.subject.udc004.93uk
dc.titleАлгоритм сегментації новоутворених пухлин на МРТ зображенні головного мозку за допомогою комбінацій нейронних мережuk
dc.typeArticleuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
BmET-2019-2_p72-79.pdf
Розмір:
838.27 KB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.06 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Біомедична інженерія і технологія, № 2