Table | Card | RUSMARC | |
Allowed Actions: –
Action 'Read' will be available if you login or access site from another network
Action 'Download' will be available if you login or access site from another network
Group: Anonymous Network: Internet |
Annotation
Данная диссертация посвящена разработке подхода к обнаружению и анализу окрашенных ядер на основе методов искусственного интеллекта, а также методов компьютерного зрения. На сегодняшней день современная медицина нуждается в инновационных решениях и автоматизации поскольку прогресс идёт вперёд и требования к скорости обработки данных растут. Именно поэтому было решено совместить область информатики и конкретную область медицины, а именно цитологию т.е. цитологический анализ. Задача ставилась со стороны реальных пользователей программы. Рассмотрены существующие программы обнаружения ядер, определены их достоинства и недостатки. Исследованы разные подходы к данной проблеме. Собрана база данных, материалами для работы алгоритма послужили микрофотографии клеточных культур снятые при помощи конфокального микроскопа. В итоге, разработан алгоритм, который обнаруживает и делает анализ окрашенных ядер. В работе представлена реализация предложенного алгоритма и даны рекомендации по возможному улучшению данного подхода.
Document access rights
Network | User group | Action | ||||
---|---|---|---|---|---|---|
ILC SPbPU Local Network | All | |||||
Internet | Authorized users SPbPU | |||||
Internet | Anonymous |
Table of Contents
- Обозначения и сокращения
- ВВЕДЕНИЕ
- Постановка задачи морфологического анализа ядер
- 1. ОБЗОР ПРЕДМЕТНОЙ ОБЛАСТИ
- 1.1. Сбор материалов
- 1.1.1. Обработка микрофотографий
- 1.2. Обзор программных пакетов обработки изображений
- 1.1. Сбор материалов
- 2. КОНЦЕПЦИЯ И АРХИТЕКТУРА
- 2.1. Концепция компьютерного зрение
- 2.1.1. Интерпретация компьютерного зрения
- 2.2. Концепция машинного обучение
- 2.2.1. Введение
- 2.2.2. Нейросети с подкреплением
- 2.2.2.1. Что такое глубокое обучение, а что машинное обучение
- 2.2.2.2. Архитектуры глубокого обучение
- 2.2.2.3. Элементы нейронной сети
- 2.2.3. Описание предлагаемого подхода, архитектура, структура
- 2.2.3.1. Сверточныe нейронныe сети
- 2.2.3.1.1. Структура СНС
- 2.2.3.2. Архитектуры СНС - LeNet
- 2.2.3.1. Сверточныe нейронныe сети
- 2.2.4. Сравнение с MNIST
- 2.1. Концепция компьютерного зрение
- 3. РАЗРАБОТКА И РЕАЛИЗАЦИЯ ПОДХОДА К ОБНАРУЖЕНИЮ И АНАЛИЗУ ОКРАШЕННЫХ ЯДЕР
- 3.1. Алгоритм с применением компьютерного зрения
- 3.1.1. Введение
- 3.1.2. Алгоритм и реализация
- 3.2. Разработка и реализация алгоритма машинного обучение
- 3.2.1. Обзор используемых технологий для нейронных сетей
- 3.2.2. Обзор данных, используемых для обучения и тестирования работы
- 3.2.3. Реализация LeNet
- 3.2.4. Алгоритм с применением машинного обучение
- 3.2.4.1. Имплементация «тренировки сети»
- 3.2.4.2. Имплементация «тестирование сети»
- 3.1. Алгоритм с применением компьютерного зрения
- 4. ТЕСТИРОВАНИЕ И АНАЛИЗ РЕЗУЛЬТАТОВ
- 4.1. Тестирование
- 4.1.1 Результаты полученные с применением opencv и почему нужна нейросеть
- 4.1.2. Оценка точности предложенного решение для нейросети
- 4.2. Анализ результатов работы разработанного алгоритма
- 4.2.1. Использование разработанного программного продукта и возможные улучшения системы
- 4.1. Тестирование
- ЗАКЛЮЧЕНИЕ
- БИБЛИОГРАФИЧЕСКИЙ СПИСОК
Usage statistics
Access count: 176
Last 30 days: 2 Detailed usage statistics |