Отрывок: В [12] указывается, что СНС эффектом переобучения не обладают. По рисунку 1 видно, что эффект наблюдается частично: при уменьшении ошибки на обучающей выборке, ошибка на тестовой выборке фиксируется и больше не увеличивается. 2. Алгоритмы сегментации Метод сегментации приставляет из себя 2 стадии: подготовительную стадию – обучение СНС и собственно сегментацию с применением СНС. Сегментация состоит из следую- щих шагов: Информационные технолог...
Полная запись метаданных
Поле DC | Значение | Язык |
---|---|---|
dc.contributor.author | Корабельников, А.Н. | - |
dc.contributor.author | Колсанов, А.В. | - |
dc.contributor.author | Косарев, Р.Н. | - |
dc.contributor.author | Никоноров, А.В. | - |
dc.date.accessioned | 2016-12-09 16:00:36 | - |
dc.date.available | 2016-12-09 16:00:36 | - |
dc.date.issued | 2016 | - |
dc.identifier | Dspace\SGAU\20161209\60708 | ru |
dc.identifier.citation | Материалы Международной конференции и молодёжной школы «Информационные технологии и нанотехнологии», с. 439-446 | ru |
dc.identifier.isbn | 978-5-7883-1078-7 | - |
dc.identifier.uri | http://repo.ssau.ru/handle/Informacionnye-tehnologii-i-nanotehnologii/Segmentaciya-novoobrazovanii-pecheni-po-dannym-komputernoi-tomografii-na-osnove-svertochnyh-neironnyh-setei-tipa-AlexNet-60708 | - |
dc.description.abstract | Сегментация анатомических структур по данным компьютерной томографии – КТ, является ключевым этапом медицинской визуализации и компьютерной диагностики. Новообразования один из тех типов внутренних структур, для которых задача автоматической сегментации на сегодня не имеет решения, полностью удовлетворяющего по качеству. Это обусловлено большой вариабельностью плотности новообразований и невозможностью использования априорных сведений об анатомии. В настоящей работе предложен метод сегментации новообразований печени на основе свёрточных нейронных сетей (СНС). Обучение и тестирование проведено по набору КТ исследований с предварительно сегментированными новообразованиями. В результате кроссвалидации, получено среднее значение ошибки VOE 17,3%. Рассмотрены алгоритмы пред- и постобработки, обеспечивающие повышение точности и производительности процедур сегментации на основе СНС. В частности, получено ускорение процедуры сегментации в 6 раз при незначительном снижении качества. | ru |
dc.language.iso | rus | ru |
dc.publisher | Издательство СГАУ | ru |
dc.subject | глубинное обучение | ru |
dc.subject | свёрточные нейронные сети | ru |
dc.subject | компьютерная томография | ru |
dc.subject | сегментация | ru |
dc.subject | новообразования печени | ru |
dc.subject | автоматизированная диагностика | ru |
dc.title | Сегментация новообразований печени по данным компьютерной томографии на основе свёрточных нейронных сетей типа AlexNet | ru |
dc.type | Article | ru |
dc.textpart | В [12] указывается, что СНС эффектом переобучения не обладают. По рисунку 1 видно, что эффект наблюдается частично: при уменьшении ошибки на обучающей выборке, ошибка на тестовой выборке фиксируется и больше не увеличивается. 2. Алгоритмы сегментации Метод сегментации приставляет из себя 2 стадии: подготовительную стадию – обучение СНС и собственно сегментацию с применением СНС. Сегментация состоит из следую- щих шагов: Информационные технолог... | - |
Располагается в коллекциях: | Информационные технологии и нанотехнологии |
Файлы этого ресурса:
Файл | Описание | Размер | Формат | |
---|---|---|---|---|
439-446.pdf | Основная статья | 621.05 kB | Adobe PDF | Просмотреть/Открыть |
Показать базовое описание ресурса
Просмотр статистики
Поделиться:
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.