Нейросетевое распознавание новообразований на маммограммах с использованием алгоритма MSER и текстурных признаков Долгополов А.В., Казанцев П.А. К.т.н.,

Презентация:



Advertisements
Похожие презентации
ФАКУЛЬТЕТ ПРИКЛАДНОЙ МАТЕМАТИКИ и ИНФОРМАТИКИ Тарасюк Александр Евгеньевич СИСТЕМА РАСПОЗНАВАНИЯ ЛИЦ НА ОСНОВЕ НЕЙРОННОЙ СЕТИ.
Advertisements

«МЕТОДЫ РАСПОЗНАВАНИЯ НОМЕРНЫХ ЗНАКОВ ТРАНСПОРТНЫХ СРЕДСТВ» Иванов Г.А., Ларионов А.А., Панин Д.В. ЗНТУ, ООО "МПА Групп"
Построение классификаторов аналогичных каскаду Виолы - Джонса с использованием признаков Хаара и искусственных нейронных сетей Стадник А. В. " Международный.
МОДУЛЬНАЯ АРХИТЕКТУРА НС. Каждая входная переменная связана только с одним из входов модулей. Выходы всех входных модулей соединены с модулем решения.
Лекция по предмету интеллектуальные информационные системы Искусственный интеллект в обработке изображений и распознавании образов на них Автор: к.т.н.
Метод моделирования статических систем по экспериментальным данным.
Методы обработки графических изображений. Распознавание человека по изображению лица Плюсы: - не требуется специальное или дорогостоящее оборудование;
Метод поиска лиц на изображениях по симметрии и лицевым признакам к.т.н. Варламов А.Д
Лекция 6. Нейронные сети Хопфилда и Хэмминга Среди различных конфигураций искусственных нейронных сетей (НС) встречаются такие, при классификации которых.
С ТАТИСТИЧЕСКИЕ МЕТОДЫ ОБУЧЕНИЯ РАСПОЗНАВАНИЮ ОБРАЗОВ Студент гр Хиндикайнен А.С.
Христова Татьяна Михайловна Христова Татьяна Михайловна 2014.
Сети глубокого обучения. Локальное и нелокальное в пространстве признаков обучение Прототипом всякого локально-обучающего алгоритма является построение:
10.2 Основные парадигмы нейронных сетей обучения без учителя Самоорганизующиеся карты признаков Кохонена (Self-organized map) Кохонена... Выходные.
ГЕНЕТИЧЕСКИЙ АЛГОРИТМ НАСТРОЙКИ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ Конференция «Технологии Microsoft в информатике и программировании», февраля 2004г.
Самарский государственный аэрокосмический университет имени академика С. П. Королева Национальный исследовательский университет Выполнили : студент 662.
Использование глубоких машин Больцмана в системах распознавания образов Выполнил: студент группы ИТД-М1-41 Дьяконов А.В. Научный руководитель: д. б. н.,
10.2 Основные парадигмы нейронных сетей обучения без учителя Самоорганизующиеся карты признаков Кохонена (Self-organized map) Кохонена... Выходные.
Классификация и применение нейронных сетей.. Нейронные сети. Искусственные нейронные сети представляют собой устройства параллельных вычислений, состоящие.
Система распознавания объектов, обеспечивающая работу бортовой системы технического зрения в реальном времени Н.И. Дмитриев, А.И. Ляпин, Е.Ю. Суворов,
Нейросетевые технологии в обработке и защите данных Обработка данных искусственными нейронными сетями (ИНС). Лекция 5. Алгоритмы обучения искусственных.
Транксрипт:

Нейросетевое распознавание новообразований на маммограммах с использованием алгоритма MSER и текстурных признаков Долгополов А.В., Казанцев П.А. К.т.н., ООО «ПАВЛИН ТЕХНОЛОГИИ» (Октябрь 2013)

AI Components and Systems Pawlin Tech Ltd, Задачи 1.Обнаружение новообразований на маммограммах (рак, киста) с точностью не меньшей, чем заявляется в мировой литературе 2.Используемый алгоритмический базис должен обладать алгоритмической паралеллизуемостью для эффективной реализации на графических процессорах (NVIDIA GPU)

AI Components and Systems Pawlin Tech Ltd, Этапы алгоритма Выделение областей интереса (MSER) Расчет текстурных признаков (LBP) Классификация вектора признаков (нейронная сеть) Маммограмма Новообразование обнаружено / не обнаружено

AI Components and Systems Pawlin Tech Ltd, MSER Maximally Stable Extremal Regions (MSER) – наиболее устойчивые области Используется для выделения областей, чьи яркостные характеристики сильно отличаются от окружения (blobs)

AI Components and Systems Pawlin Tech Ltd, LBP Local binary patterns – локальные бинарные шаблоны Используется для описания и классификации текстур изображения Номер бина ЧастотаЧастота

AI Components and Systems Pawlin Tech Ltd, Выбор текстурных признаков Разбиение области интереса на подобласти Цикл предварительного обучения трехслойной нейронной сети Во входной вектор отбираются компоненты гистограмм Когда ошибка обучения перестает уменьшаться в достаточной степени – предварительное обучение останавливается и состав входного вектора фиксируется. В результате экспериментов была найдена наиболее оптимальная конфигурация вектора признаков: по 3 компоненты гистограммы для центральной и внутренней подобласти и 2 для внешней подобласти. Итого, размерность входного пространства признаков – 8. Три отдельных LPB- гистограммы

AI Components and Systems Pawlin Tech Ltd, Обучение нейронной сети Наиболее оптимальной конфигурацией сети оказалась конфигурация 8x80x1 (трехслойная нейронная сеть с 80 нейронами в скрытом слое) Обучающая выборка: использовалось 10 случайно выбранных изображений с новообразованиями и 34 случайно выбранных изображений без новообразований.

AI Components and Systems Pawlin Tech Ltd, Результаты экспериментов 8 Метрика качества Результат Мировой уровень Полнота 100% 82-98% Процент маммограмм с ложными срабатываниями 8% 2-3 ложных срабатывания на маммограмму Красные прямоугольники – обнаруженные новообразования Голубые прямоугольники – вероятные места новообразований

AI Components and Systems Pawlin Tech Ltd, Ускорение алгоритма на GPU 9 Коэффициент ускорения Нейронная сеть прямого распространения 20 Локальные бинарные шаблоны 15 Общее ускорение 17

Спасибо за внимание! контакты: