Порівняння ефективності розпізнавання моделей нейромереж для МРТ
Вантажиться...
Файли
Дата
Автори
Назва журналу
Номер ISSN
Назва тому
DOI
Анотація
In this study, a comparative analysis of the effectiveness of different neural network models for the task of segmenting brain lesions on magnetic resonance imaging (MRI) images was performed. Using Deep Neural Networks (DNN), UNet (a modified CNN for segmentation), Recurrent Neural Networks (RNN), research was conducted on accuracy, speed, resource consumption, and robustness to data changes. The research results indicate the most effective model for this task.
Опис
Ключові слова
Тип документа
Мова
ISSN
Бібліографічний опис
Дербалюк Є. Р., Кулик Я. А. Порівняння ефективності розпізнавання моделей нейромереж для МРТ // Матеріали Всеукраїнської науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2024)», Вінниця, 11-20 травня 2024 р. Електрон. текст. дані. 2024. URI: https://conferences.vntu.edu.ua/index.php/mn/mn2024/paper/view/21104.
Зібрання
Схвалення
Рецензія
Доповнено
Цитується в
Список використаної літератури (5)
- Attention is All You Need. In Advances in Neural Information Processing Systems. Cornell University. URL: https://arxiv.org/abs/1706.03762.
- Comparative Study of Deep Learning Models for Medical Image Segmentation. ResearchGate. URL: https://www.researchgate.net/publication/321479251_A_comparative_study_of_deep_lear ning_models_for_medical_image_classification.
- A Comparative Analysis of Deep Learning Architectures for Medical Image Segmentation https://iopscience.iop.org/article/10.1088/1757-899X/263/4/042097\.
- LeCun, Y., Bengio, Y. and Hinton, G. (2015) Deep Learning. Nature, 521, 436-444. - References Scientific Research Publishing. SCIRP Open Access. URL: https://www.scirp.org/reference/referencespapers?referenceid=1911084 (date of access: 19.04.2024).
- Olaf Ronneberger, Philipp Fischer, Thomas Brox (2015) U-Net: Convolutional Networks for Biomedical Image Segmentation. arXiv.org. URL: https://arxiv.org/abs/1505.04597.