Разработка моделей и алгоритмов нейросетевого распознавания переломов костей нижних конечностей
Разработка моделей и алгоритмов нейросетевого распознавания переломов костей нижних конечностей –, выпускная квалификационная работа бакалавра Белгород, Белгородский государственный национальный исследовательский университет (НИУ «БелГУ»), количество страниц 77, количество рисунков 67, количество таблиц 6, количество использованных источников 28.
КЛЮЧЕВЫЕ СЛОВА: изображение, нейронная сеть, рентген, нижняя конечность.
ОБЪЕКТ ИССЛЕДОВАНИЯ: диагностика переломов костей скелета человека.
ПРЕДМЕТ ИССЛЕДОВАНИЯ: модели и алгоритмы распознавания переломов костей нижних конечностей на рентген-снимках.
ЦЕЛЬ РАБОТЫ: повышение эффективности классификации переломов костей нижних конечностей путем распознавания по рентген-снимкам с помощью искусственных нейронных сетей.
ЗАДАЧИ ИССЛЕДОВАНИЯ:
Для достижения поставленной цели были сформулированы следующие задачи: анализ предметной области, который включает изучение повреждений нижних конечностей; изучить и проанализировать варианты нейронных сетей компьютерных технологий в медицинской сфере; изучить методы нормализации медицинских снимков для обучения нейронной сети по классификации наличия перелома костей нижних конечностей человека.; смоделировать и разработать свёрточную нейронную сеть по классификации наличия перелома костей нижних конечностей человека; собрать и нормализировать данные для обучения; реализовать скрипты обучения, тестирования и вспомогательных функций для первых двух; обучение нейронной сети по классификации наличия перелома костей нижних конечностей человека; тестирование нейронной сети по классификации наличия перелома костей нижних конечностей человека.
ПОЛУЧЕННЫЕ РЕЗУЛЬТАТЫ: в результате работы было спроектировано, разработано и апробировано нейросеть по распознаванию переломов костей нижних конечностей.
1 ОБЗОР ПРИМЕНЕНИЯ И АРХИТЕКТУР НЕЙРОННЫХ СЕТЕЙ В МЕДИЦИНЕ И ДИАГНОСТИКИ ТРАВМ ПО РЕНТГЕН-СНИМКАМ.. 7
1.1 Особенности переломов нижних конечностей. 7
1.2 Применение нейронных сетей для решения задач классификаций. 10
1.4 Применение нейронных сетей в медицине. 20
2 ПОДГОТОВКА ДАННЫХ ДЛЯ НЕЙРОННОЙ СЕТИ И СОЗДАНИЕ МОДЕЛЕЙ И АЛГОРИТМОВ НЕЙРОСЕТЕВОГО РАСПОЗНАВАНИЯ. 25
2.1 Описание форматов и структуры входных данных для обучения нейронной сети 25
2.2 Планирование составляющих нейронной сети. 37
2.4 Скрипт обучения, тестирования и их вспомогательные функции. 45
3 АНАЛИЗ РЕЗУЛЬТАТОВ ОБУЧЕНИЯ И ТЕСТИРОВАНИЯ НЕЙРОННОЙ СЕТИ 56
3.1 Результаты нейронной сети. 56
3.2 SWOT – Анализ разработки. 63
1. Грибанов А.В., Джос Ю.С. О стратегических направлениях медико биологических исследований // Вестн. Сев. (Арктич.) федер. ун-та. Сер.: Мед.-биол. науки. 2013. № 1. С. 10–18.
2. Головинова В.Ю. и др. Нейросетевые модели прогнозирования заболеваемости в организованных коллективах // Вестн. Рос. воен.-мед. акад. 2013. № 3(47). С. 150–153.
3. Чаша Т.В. и др. Применение нейронных сетей для прогнозирования течения постгипоксических нарушений сердечно-сосудистой системы у новорожденных детей // Вестн. ИГЭУ. 2009. Вып. 3. С. 57–59.
4. Сбоев А.Г. и др. Разработка нейросетевой методики раннего диагностирования ишемической болезни сердца и коронарного атеросклероза // Вестн. ВГУ. Сер.: Химия. Биология. Фармация. 2011. № 2. С. 204–213.
5. Colak M.C. и др. Predicting Coronary Artery Disease Using Different Artificial Neural Network Models // Anadolu Kardiyol. Derg. 2008. Vol. 8, № 3. P. 249–253.
6. Atkov O.Yu. и др. Coronary Heart Disease Diagnosis by Artificial Neural Networks Including Genetic Polymorphisms and Clinical Parameters // J. Cardiol. 2012. Vol. 59, № 2. P. 190–193.
7. Niranjana Murthy H.S., Meenakshi M. ANN Model to Predict Coronary Heart Disease Based on Risk Factors // Bonfring. Int. J. Man Mach. Interface. 2013. Vol. 3, № 2. Р. 13–18.
8. Moghaddasi H., Mahmoudi I., Sajadi S. Comparing the Efficiency of Artificial Neural Network and Gene Expression Programming in Predicting Coronary Artery Disease // J. Health Med. Inform. 2017. Vol. 8, № 2.
9. Arabasadi Z. и др. Computer Aided Decision Making for Heart Disease Detection Using Hybrid Neural Network-Genetic Algorithm // Comput. Methods Programs Biomed. 2017. Vol. 141. P. 19–23.
10. Caliskan A., Yuksel M.E. Classification of Coronary Artery Disease Data Sets by Using a Deep Neural Network // EuroBiotech J. 2017. Vol. 1, № 3. P. 271–277.
11. Ясницкий Л.Н. и др. Нейросетевая система экспресс-диагностики сердечно-сосудистых заболеваний // Перм. мед. журн. 2011. Т. XXVIII, № 3. C. 77–83.
12. Ясницкий Л.Н. и др. Диагностика и прогнозирование течения заболеваний сердечно-сосудистой системы на основе нейронных сетей // Мед. техника. 2013. № 3(279). C. 42–43.
13. Аравин О.И. Применение искусственных нейронных сетей для анализа патологий в кровеносных сосудах // Рос. журн. биомеханики. 2011. Т. 15, № 3(53). C. 45–51.
14. Оленко Е.С. и др. Использование искусственных нейронных сетей в прогнозировании риска развития артериальной гипертензии у пенитенциарных субъектов // Междунар. журн. приклад. и фундам. исследований. 2009. № 3. С. 119.
15. Мустафаев А.Г. Применение искусственных нейронных сетей для ранней диагностики заболевания сахарным диабетом // Кибернетика и программирование. 2013. № 2. С. 1–7.
16. Соколинский, Л.Б. Машинное обучение / Л.Б. Соколинский. – Лекция № 5: Softmax. Кафедра системного программирования ЮУрГУ. – 2018. – 19 с.
17. Хант, Э. Искусственный интеллект / Э. Хант. – М.: Мир, 2018. – 560 c.
18. Васильев, А.Н. Принципы и техника нейросетевого моделирования / А.Н. Васильев, Д.А. Тархов. – Москва: Наука, 2018. – 999 c.
19. Галушкин, А. И. Нейрокомпьютеры. Учебное пособие / А.И. Галушкин. – М.: Альянс, 2018. – 528 c.
20. Гелиг, А.Х. Введение в математическую теорию обучаемых распознающих систем и нейронных сетей. Учебное пособие / А.Х. Гелиг. – М.: Издательство СПбГУ, 2018. – 224 c.
21. Ясницкий, Л. Н. Введение в искусственный интеллект / Л.Н. Ясницкий. – М.: Академия, 2018. – 176 c.
22. Воронова, Л.И. Machine Learning: регрессионные методы интеллектуального анализа данных: Учебное пособие / Л.И. Воронова, В.И. Вороновю. – МТУСИ. – М., 2018. – 83 с.
23. Гудфеллоу, Я. «Глубокое обучение» / Я. Гулфедоу, И. Бенджи, А. Курвилль. – пер. с англ. А.А. Слинкина. 2-ое изд., искр. – М.: ДМК Пресс, 2018. – 652 с.
24. Визильтер, Ю.В. Структурно-функциональный анализ и синтез глубоких конволюционных нейронных сетей / Ю.В. Визильтер, В.С. Горбацевич, С.Ю. Желтов // Компьютерная оптика – Т.43. №5. 2019. – С.886-900.
25. Сабиров, А.И. Компьютерные исследования и моделирование / А.И. Сабиров, А.С. Катасёв, М.В. Дагаева. – 13, 2, 2021. – 429-435.
26. Адамова, А.А. Нейрокомпьютеры: разработка, применение / А.А. Адамова, В.А. Зайкин, Д.В. Гордеев. – 23, 4, 2021. – 25-39.
27. Емельянов, С.В. Искусственный интеллект и принятие решений / С.В. Емельянов. – Москва: Огни, 2018. – 484 c.
Жданов, А.А. Автономный искусственный интеллект / А.А. Жданов. – М.: Бином. Лаборатория знаний, 2020. – 213 c.
