1 / 10

Долгополов А.В., Казанцев П.А. К.т.н., ООО «ПАВЛИН ТЕХНОЛОГИИ» (Октябрь 2013)

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). Задачи.

arlen
Download Presentation

Долгополов А.В., Казанцев П.А. К.т.н., ООО «ПАВЛИН ТЕХНОЛОГИИ» (Октябрь 2013)

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. 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)

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

  3. Этапы алгоритма Выделение областей интереса (MSER) Маммограмма Расчет текстурных признаков (LBP) Новообразование обнаружено / не обнаружено Классификация вектора признаков (нейронная сеть)

  4. MSER • Maximally Stable Extremal Regions(MSER) – наиболее устойчивые области • Используется для выделения областей, чьи яркостные характеристики сильно отличаются от окружения (blobs)

  5. LBP • Local binary patterns – локальные бинарные шаблоны • Используется для описания и классификации текстур изображения Частота Номер бина

  6. Выбор текстурных признаков Разбиение области интереса на подобласти Три отдельных LPB-гистограммы • 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.

  7. 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.

  8. Результаты экспериментов Красные прямоугольники – обнаруженные новообразования • Голубые прямоугольники – вероятные места новообразований

  9. Ускорение алгоритма на GPU

  10. Спасибо за внимание!контакты: info@pawlin.ru

More Related