Сборник докладов кемерово 2017 the ministry of education and science of the russian federation federal State Budgetary Educational Institution «Kemerovo State University»



страница14/14
Дата14.08.2018
Размер2.09 Mb.
#44474
ТипСборник
1   ...   6   7   8   9   10   11   12   13   14

Литература


  1. Bondareva L., Zakharov Y., Goudov A. Simulation of Industrial Wastewater Treatment from the Suspended Impurities into the Flooded Waste Mining Workings (2017) IOP Conference Series: Materials Science and Engineering, 189 (1), статья № 012011, .

  2. Patterns – Service-Oriented Architecture and Web Services [Электронный ресурс]. (http://www.redbooks.ibm.com/redbooks/pdfs/sg246303.pdf).

  3. Гудов А. М., Завозкин С. Ю., Григорьева И. В., Бондарева Л. В., Перминов В. А. Наукоемкий программный Web-инструментарий для решения задач экологии угольного региона // Материалы IX Всероссийской научно-практической конференции «Научно-образовательная информационная среда XXI века», Петрозаводск, 23–25 сентября 2015 г. Петрозаводск : Петрозаводский государственный университет, 2015. С. 56–60.

  4. Григорьева И. В., Савицкий Ю. В. Система виртуального лабораторного практикума по параллельным алгоритмам // Вестник КемГУ. 2013. № 4 (56). С. 41–46.



Григорьева И. В., Кемеровский государственный университет,

Кафедра ЮНЕСКО по ИВТ, доцент

Тоцкий А. А., Кемеровский государственный университет,

Отделение математики и информатики ИФН, студент
РАСПОЗНАВАНИЕ ПОЗВОНОЧНИКА ПО РЕНТГЕНОВСКИМ СНИМКАМ В ПРОЕКЦИЯХ
Данная работа посвящена автоматическому определению трехмерной сколиотической дуги, положения и поворота позвонков по рентгеновским снимкам в проекциях методами машинного обучения. Следующие этапы данной работы: построение индивидуализированной математической модели позвоночника, определение корректирующих воздействий, проектирование и реализация корсета Шено для лечения сколиоза у детей.

Производство корсетов Шено в настоящее время осуществляется на основе снимков в проекциях и слепка верхней части корпуса ребенка. Прикладная значимость работы заключается в значительной оптимизации технологии изготовления корсетов, за счет использования математического моделирования на этапах анализа сколиоза и проектирования корсета. Важным аспектом данного проекта является реализация импортозамещения, так как в настоящее время корсеты по рентгеновским снимкам позвоночника и слепкам туловища пациента изготавливаются в Германии. Другим важным аспектом является удешевление готового изделия за счет оптимизации процесса проектирования корсета и изготовлении его в России, а следовательно увеличении доступности таких корсетов.

Математические модели и методы все чаще применяются в медицине, способствуя индивидуализации лечения и повышению его качества за счет повышения точности воздействия. Методы машинного обучения последние годы получили широкое развитие и широко применяются в различных областях, в частности в системах распознавания образов. В ряде работ описано применение методов машинного обучения на основе нейросетей к распознаванию позвоночника (как его костных структур так и хрящевых) на основе результатов компьютерной и магнитно-резонансной томографии [4, 5]. В данной работе осуществляется построение модели позвоночника, точнее его костных структур, на основе рентгеновских снимков в проекциях, так как это наименее затратный и наиболее доступный вид исследования для пациентов со сколиозом. Актуальным также является моделирование процесса коррекции деформации позвоночника различными аппаратами внешней фиксации с использованием методов математического моделирования [3].

Данная работа предлагает комплексный подход к исследованию сколиоза и его коррекции, все этапы исследования используют современные методы. Представленный в данной работе подход позволит улучшить качество изготовления корсетов, а также может быть использован для анализа их эффективности.

Нейронные сети являются одним из самых популярных и широко используемых методов машинного обучения. Сверточная нейронная сеть (далее СНС) была описана Яном Лекуном в 1988 году. Эти сети способны выполнять распознавание графических объектов в отсутствии масштабирования и при произвольном повороте объекта распознавания. СНС состоит из двух составных частей: первая отвечает за выделение признаков, вторая – за классификацию [1, 2].

На входе СНС подается графический файл одной проекции рентгеновского снимка в виде файла в формате jpeg, сеть однонаправленная многослойная. Монохромное изображение представляется в виде матрицы, в которой каждому пикселю изображение ставится в соответствие оттенок серого, оно в дальнейшем будет именоваться картой. Выделение признаков состоит из повторяющихся несколько раз идентичных по структуре макрослоев. Макрослой как правило состоит из сверточного слоя и слоя субдискретизации (рисунок 1). Нейроны в слоях сгруппированы в матрицы для того, чтобы поддерживать топологическую связность анализируемого изображения. Каждый нейрон в выделителе признаков имеет свое рабочее пространство, называемое рецептивным полем, которое представляет собой квадратную область, по которой вычисляется входной сигнал для нейрона в следующем слое.



Рисунок 1. Схематическое представление части выделения признаков сверточной нейронной сети.
Сверточный слой организован так, что рецептивные поля, по которым работают соседние нейроны перекрываются, таким образом одни и те же участки карты анализируются по несколько раз с целью выявления признаков. Особенность этого слоя состоит в том, что нейроны используют одинаковые наборы весов для всего слоя и, таким образом, количество весов не зависит от размера карты, что принципиальным образом влияет на количество весов которые необходимо определить на этапе обучения. Нейроны сверточного слоя являются детекторами выделенных в процессе обучения признаков.

Субдискретизационные слои выполняют уменьшение масштаба текущей, отфильтрованной на предыдущем сверточном слое, карты. Карта слоя субдискретизации получается с предыдущего сверточного слоя. Рецептивные поля нейронов этих слоев не пересекаются. Субдискретизационный слой представляет собой нелинейное уплотнение карты признаков, при этом группа пикселей (обычно размера 2×2) уплотняется до одного пикселя, проходя нелинейное преобразование, чаще всего применяется функция максимума. Эта операция позволяет существенно уменьшить пространственный объём изображения. При этом считается, что если на предыдущей операции свёртки уже были выявлены некоторые признаки, то для дальнейшей обработки настолько подробное изображение уже не нужно, и оно уплотняется до менее подробного. 

При прохождении через макрослои размер карты сокращается. Упрощенная таким образом карта служит входом для классификатора признаков, который в данном случае представляет собой двухслойный перцептрон, в котором все нейроны предыдущего слоя связаны со всеми нейронами следующего.

Для сетей описанного типа возможно использование как обучения с учителем так и без [2]. В данной работе выбор был сделан в пользу обучения с учителем. Обучение с учителем требует построения достаточно большого количества обучающих примеров, а также подготовку тестовой выборки, что требует большой работы, так как ответы строятся вручную на основе исходного изображения; но при этом обучение с учителем дает значительно более высокую точность распознавания по сравнению с неуправляемым обучением. В данной работе для обучения используется модифицированный алгоритм обратного распространения ошибки.

В данной работе сети для распознавания фронтальных и боковых проекций обучаются отдельно. В результате применения обученной СНС формируются изображения проекций, на которых остаются только тела позвонков, а остальные кости и помехи устранены. По этим изображениям определяется положение отдельных позвонков. После анализа двух проекций вычисляется трехмерная сколиотическая кривая и анализируется положение каждого позвонка. По полученным данным будет строится индивидуализированная пространственная модель позвоночника. На первом этапе планируется выполнить моделирование позвоночника как упругого стержня с переменной упругостью по длине, закрепленного с одного конца.

Реализация СНС выполнена на языке Python с использованием библиотек Numpy, Pandas и Keras.

В настоящее время необходимо улучшить скорость обучения СНС и ее способность к обобщению за счет подбора оптимальной топологии нейросети, а именно количества и способа связности макрослоев и апробации различных функций активности. Для обучения нейросети необходимо изготовление достаточного количества обучающих, а также тестирующих примеров, что требует ручной обработки снимков.
Литература


  1. Друки А. А. Применение сверточных нейронных сетей для выделения и распознавания автомобильных номерных знаков на изображениях со сложным фоном // Известия ТПУ. 2014. №5. URL: http://cyberleninka.ru/article/n/primenenie-svertochnyh-neyronnyh-setey-dlya-vydeleniya-i-raspoznavaniya-avtomobilnyh-nomernyh-znakov-na-izobrazheniyah-so-slozhnym (дата обращения: 26.11.2017). 

  2. Немков Р. М. Исследование сверточной нейронной сети, обученной с помощью метода применения нестандартных рецептивных полей при распознавании изображений // Известия ЮФУ. Технические науки. 2015. №7 (168). URL: http://cyberleninka.ru/article/n/issledovanie-svertochnoy-neyronnoy-seti-obuchennoy-s-pomoschyu-metoda-primeneniya-nestandartnyh-retseptivnyh-poley-pri-raspoznavanii (дата обращения: 26.11.2017). 

  3. Чумаченко Е. Н., Логашина И. В. Расчет напряженно-деформированного состояния двигательного сегмента позвоночника при нагрузках. Авиакосмическая и экологическая медицина, №5 (Vol. 48), Cc. 51–57, 2014

  4. Criminisi A., Robertson D., Pauly O., Glocker B., Konukoglu E., Shotton J., Mateus D., Mo ̈ller A. M., Nekolla S., and Navab N. Anatomy detection and localization in 3D medical images. In Decision Forests for Computer Vision and Medical Image Analysis, pages 193–209. Springer, 2013

  5. Suzani A., Seitel A., Liu Y., Fels S., Rohling R.N., Abolmaesumi P. Fast Automatic Vertebrae Detection and Localization in Pathological CT Scans - A Deep Learning Approach. In: Navab N., Hornegger J., Wells W., Frangi A. (eds) Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. Lecture Notes in Computer Science, vol 9351. Springer, Cham.



ВИЗУАЛЬНАЯ АНАЛИТИКА

Международная конференция

(Кемерово, 28 ноября 2017 г.)

Сборник докладов

Материалы печатаются в авторской редакции.

_____________________________________________________________________________Федеральное государственное бюджетное образовательное учреждение высшего образования «Кемеровский государственный университет» (КемГУ).



650000, Кемерово, ул. Красная, 6.
Визуальная аналитика : сборник докладов Международной конференции (28 ноября 2017 г.) / Кемеровский государственный университет ; редкол. : С. А. Иванова (отв. ред.), В. А. Павский (науч. ред.). – Кемерово : Кузбассвузиздат, 2017. – [Электронный ресурс]. – Электрон. дан. и прогр. (232 МБ). – 1 электрон. опт. диск (DVD). – Систем. требования: IBM PC Pentium-II и выше; 512 Мб RAM; Windows 98 и выше, Adobe Acrobat Reader – Загл. c экрана. – Диск помещен в контейнер 14,5х12,5 см.
Каталог: upload -> iblock -> 5e9
iblock -> Часы-смартфон
iblock -> Руководство пользователя для телефона Apple iPhone 6
iblock -> Руководство по эксплуатации Методика калибровки Технические характеристики. Минимальный радиус кривизны поверхностей контролируемых изделий, 6мм
iblock -> Технические требования
iblock -> Технологические карты
iblock -> Оптимизация процесса восстановления измененных и уничтоженных маркировочных обозначений на блоках двигателей транспортных средств
iblock -> Инструкция по эксплуатации Температурный gsm извещатель Grinson T7 Благодарим Вас за выбор температурного gsm извещателя Grinson T7
5e9 -> Рабочая программа дисциплины общая и неорганическая химия


Поделитесь с Вашими друзьями:
1   ...   6   7   8   9   10   11   12   13   14




База данных защищена авторским правом ©vossta.ru 2022
обратиться к администрации

    Главная страница