Please use this identifier to cite or link to this item:
https://elib.bsu.by/handle/123456789/292315| Title: | АЛГОРИТМЫ АНАЛИЗА И ИДЕНТИФИКАЦИИ РЕНТГЕНОВСКИХ ИЗОБРАЖЕНИЙ, С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ ГЛУБОКОГО МАШИННОГО ОБУЧЕНИЯ: реферат дипломной работы/Моисеев М.И., БГУ, физический факультет, кафедра ядерной физики, научный руководитель Чернявская Э.А. |
| Authors: | Моисеев, Максим Игоревич |
| Keywords: | ЭБ БГУ::ЕСТЕСТВЕННЫЕ И ТОЧНЫЕ НАУКИ::Физика |
| Issue Date: | 13-Jan-2023 |
| Abstract: | Дипломная работа: 50 с., 40 рис., 1 табл., 13 источников, 1 приложение. Ключевые слова: СВЕРТОЧНАЯ НЕЙРОННАЯ СЕТЬ, COVID-19, VGG-16, VGG-19, RESNET-50, ГЛУБОКОЕ ОБУЧЕНИЕ, ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА. Объект исследования: методы глубокого машинного обучения для идентификации и классификации аномалий на рентгеновских изображениях. Цель работы: разработка метода идентификации аномалий на рентгеновских изображениях с использованием сверточных нейронных сетей. Методология проведения работы: разработка алгоритма идентификации и классификации аномалий на рентгеновских изображениях с использованием сверточных нейронных сетей VGG-16, VGG-19 и ResNet-50 на языке программирования python в текстовом редактореVisual Studio Code. Полученные результаты и их новизна: произведена оценка работы разработанного алгоритма и сравнительный анализ используемых вариантов предварительной обработки изображений, как используемых в данной работе так и с алгоритмами других авторов. Область возможного практического применения: результаты, полученные в данной работе, могут быть использованы для дальнейшего развития идеи автоматизации идентификации и классификации аномалий на рентгеновских снимках. Достоверность полученных результатов подтверждается разработанным алгоритмом автора опубликованным в работе [7] и алгоритмами других авторов на используемом, в данной работе, наборе данных. Автор работы подтверждает, что приведенный в ней материал правильно и объективно отражает состояние исследуемого процесса, а все заимствованные из литературных и других источников теоретические, методологические и методические положения и концепции сопровождаются ссылками на их авторов. |
| Abstract (in another language): | Diploma work: 50 pp., 40 pics, 1 tab., 13 references, 1 attachment. Keywords: Convolutional Neural Network, COVID-19, VGG-16, VGG-19, RESNET-50, DEEP LEARNING, PRE-PROCESSING. Object of research: deep machine learning methods for identification and classification of anomalies in x-ray images. Purpose of work: development of a method for identifying anomalies in x-ray images using convolutional neural networks. Methodology of the work: development of an algorithm for identifying and classifying anomalies in x-ray images using convolutional neural networks VGG-16, VGG-19 and ResNet-50 in the python programming language in the Visual Studio Code text editor. The results obtained and their novelty: the work of the developed algorithm was evaluated and a comparative analysis of the used options for image preprocessing, both used in this work and with the algorithms of other authors, was made. Area of possible practical application: the results obtained in this work can be used to further develop the idea of automating the identification and classification of anomalies in X-ray images. The reliability of the obtained results is confirmed by the algorithms developed by other authors on the data set used in this work. The author of the work confirms that the material presented in it correctly and objectively reflects the state of the process under study, and all theoretical, methodological and methodological provisions and concepts borrowed from literary and other sources are accompanied by references to their authors. |
| URI: | https://elib.bsu.by/handle/123456789/292315 |
| Licence: | info:eu-repo/semantics/openAccess |
| Appears in Collections: | Физика (ядерные физика и технологии). 2023 |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Реферат Моисеев М.И..pdf | 241,07 kB | Adobe PDF | View/Open |
Все документы в Электронной библиотеке защищены авторским правом, все права сохранены.