Details

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.

• 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
• 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
    • 2.2.4. Сравнение с MNIST
• 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»
• 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
• ЗАКЛЮЧЕНИЕ
• БИБЛИОГРАФИЧЕСКИЙ СПИСОК