2023. — Т 10. — №1 - перейти к содержанию номера...
Постоянный адрес этой страницы - https://resources.today/59ecor123.html
This article metadata is also available in English
DOI: 10.15862/59ECOR123 (https://doi.org/10.15862/59ECOR123)
Полный текст статьи в формате PDF (объем файла: 728.4 Кбайт)
Ссылка для цитирования этой статьи:
Караваев, А. Е. Интеллектуальная система распознавания туберкулеза с применением глубокого обучения / А. Е. Караваев // Отходы и ресурсы. — 2023. — Т 10. — №1. — URL: https://resources.today/PDF/59ECOR123.pdf. — DOI: 10.15862/59ECOR123. (дата обращения: 13.10.2024).
Интеллектуальная система распознавания туберкулеза с применением глубокого обучения
Караваев Артём Евгеньевич
ФГОБУ ВО «Финансовый университет при Правительстве Российской Федерации», Москва, Россия
Факультет «Информационных технологий и анализа больших данных»
E-mail: karavaev_artem@mail.ru
Научный руководитель: Черняков Алексей Николаевич
ФГОБУ ВО «Финансовый университет при Правительстве Российской Федерации», Москва, Россия
Департамент анализа данных и машинного обучения
Кандидат философских наук, доцент
E-mail: ANChernyakov@fa.ru
Аннотация. В данной научной публикации автор обсуждает проблемы, связанные с диагностикой туберкулеза, и предлагает новый подход к решению этой проблемы. Он предлагает использовать глубокое обучение в интеллектуальных системах распознавания туберкулеза для улучшения точности диагностики. Автор подробно анализирует преимущества и ограничения системы распознавания с применением глубокого обучения, а также рассматривает различные технические и научные проблемы, связанные с созданием такой системы. Автор подчеркивает важность использования глубокого обучения в интеллектуальных системах распознавания туберкулеза, чтобы увеличить точность диагностики и улучшить результаты лечения. Он также обсуждает предыдущие исследования в этой области и делает выводы о перспективе использования глубокого обучения для диагностики туберкулеза. Автор предлагает новые подходы к улучшению эффективности системы распознавания туберкулеза, основанные на глубоком обучении. Он описывает методы обучения, используемые для создания таких систем, и рассматривает различные аспекты их проектирования, начиная от сбора и обработки данных до анализа результатов. Одной из наиболее перспективных, несомненно, является медицина. В этой сфере ошибка врача может иметь летальные последствия. Методы машинного обучения способны минимизировать ошибки врачей. В данной работе основное внимание уделяется системе распознавания туберкулеза. Целью работы является создание эффективной модели нейронной сети, способной с высокой точность распознать туберкулез, а также быть полезна в здравоохранении в условиях ограниченных ресурсов. Основным параметром качества созданной модели является точность распознавания класса изображения. Рентгенограммы легких представляют собой изображения уменьшенной размерности в сравнении с исходными материалами, за счет чего достигается высокая производительность при их обработке сверточной сетью на следующем этапе. Для достижения хороших результатов необходима обширная база данных. Тем не менее, за счет оптимизации гиперпараметров, а также эффективной архитектуры сети, могут быть достигнуты высокие показатели точности. Модель представляет собой несколько сверточных слоев, после которых идут полносвязные слои, такая архитектура позволяет получить стабильно высокие значения точности на тестовой выборке.
Ключевые слова: компьютерное зрение; искусственный интеллект; система распознавания туберкулеза; интеллектуальная система; глубокое обучение; доля верных распознаваний; медицина
Контент доступен под лицензией Creative Commons Attribution 4.0 License.
ISSN 2500-0659 (Online)
Уважаемые читатели! Комментарии к статьям принимаются на русском и английском языках.
Комментарии проходят премодерацию, и появляются на сайте после проверки редактором.
Комментарии, не имеющие отношения к тематике статьи, не публикуются.