Методи оптимізації та трансферне навчання для покращення виявлення пухлин мозку на основі МРТ-зображень
Вантажиться...
Файли
Дата
Науковий керівник
Редактор
Інші учасники
Відповідальний
ORCID
Назва журналу
Номер ISSN
Назва тому
Альтернативна назва
Methods of optimization and transfer learning to improve the detection of brain tumors based on MRT-images
Анотація
Це дослідження аналізує методи оптимізації навчання згорткових нейронних мереж, особливості використання малих наборів даних і застосування методів Transfer Learning для підвищення точності детектування пухлин мозку на КТ-зображеннях. Результати навчання цих моделей порівнювалися між собою на тестовому наборі даних з зображеннями пухлин мозку на КТ-знімках.
This research analyzes methods for optimizing the training of convolutional neural networks, the features of using small datasets, and the use of Transfer Learning techniques to improve image detection accuracy. The results of training these models were compared with each other on a test dataset for detecting brain tumor in CT images.
This research analyzes methods for optimizing the training of convolutional neural networks, the features of using small datasets, and the use of Transfer Learning techniques to improve image detection accuracy. The results of training these models were compared with each other on a test dataset for detecting brain tumor in CT images.
Опис
Ключові слова
охорона здоров'я , медичні інформаційні системи , аугментація , згорткова нейронна мережа , малі набори даних , оптимізація параметрів , розпізнавання образів , трансферне навчання , healthcare , medical information technologies , augmentation , convolutional neural network , small dataset , optimization parameters , pattern recognition , transfer learning
УДК
Тип документа
Мова
ISSN
Посилання на публікацію
Серія, номер
ISBN
ББК
Інші ідентифікатори
Пов’язані матеріали
Спонсорська підтримка
Правовласник
Бібліографічний опис
Місоченко С. Ю., Селіванова К. Г. Методи оптимізації та трансферне навчання для покращення виявлення пухлин мозку на основі МРТ-зображень // Оптико-електроннi iнформацiйно-енергетичнi технологiї. 2024. № 2. С. 196-204. URI: https://oeipt.vntu.edu.ua/index.php/oeipt/article/view/742.
Схвалення
Рецензія
Доповнено
Цитується в
Список використаної літератури (21)
- Deep learning for medical image-based cancer diagnosis / X. Jiang et al. Cancers. 2023. T. 15, № 14. C. 3608. URL: https://doi.org/10.3390/cancers15143608.
- Wang L. Deep learning techniques to diagnose lung cancer. Cancers. 2022. T. 14, № 22. C. 5569. URL: https://doi.org/10.3390/cancers14225569.
- Application of deep learning to construct breast cancer diagnosis model / R.-H. Lin et al. Applied sciences. 2022. T. 12, №.
- C. 1957. URL: https://doi.org/10.3390/app12041957 4. Kamal Kamal, Hamid EZ-ZAHRAOUY. A comparison between the VGG16, VGG19 and ResNet50 architecture frameworks for classification of normal and CLAHE processed medical images, 27 April 2023, PREPRINT (Version 1) available at Research Square URL: https://doi.org/10.21203/rs.3.rs2863523/v1.
- Houssein, E.H., Emam, M.M. & Ali, A.A. An optimised deep learning architecture for breast cancer diagnosis based on improved marine predators algorithm. Neural Comput & Applic 34, 18015-18033 (2022). URL: https://doi.org/10.1007/s00521-022-07445-5.
- Goceri E. Medical image data augmentation: techniques, comparisons and interpretations. Artificial intelligence review. 2023. URL: https://doi.org/10.1007/s10462-023-10453-z.
- Pete Wander How many images do you need to train a neural network?, 2017, URL: https://petewarden.com/2017/12/14/how-many-images-do-you-need-to-train-a-neural-network/.
- Houda Bichri, Adil Chergui, Mustapha Hain, Image Classification with Transfer Learning Using a Custom Dataset: A Comparative Study, Procedia Computer Science, Volume 220, 2023, Pages 48-54, ISSN 1877-0509, URL: https://doi.org/10.1016/j.procs.2023.03.009.
- Rafiq M, Rafiq G, Agyeman R, Choi GS, Jin S-I. Scene Classification for Sports Video Summarisation Using Transfer Learning. Sensors. 2020; 20(6):1702. URL: https://doi.org/10.3390/s20061702.
- Tymkovych, M. et al. (2021). Application of SOFA Framework for Physics-Based Simulation of Deformable Human Anatomy of Nasal Cavity. In: Jarm, T., Cvetkoska, A., Mahnič-Kalamiza, S., Miklavcic, D. (eds) 8th European Medical and Biological Engineering Conference. EMBEC 2020. IFMBE Proceedings, vol 80. Springer, Cham. https://doi.org/10.1007/978-3-030-64610-3_14.