Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал:
http://elartu.tntu.edu.ua/handle/lib/36852| Назва: | Дослідження згорткових нейронних мереж для задач опрацювання медичних зображень в умовах пандемії |
| Інші назви: | Research of convolutional neural networks for the problems of medical image processing in a pandemic |
| Автори: | Задолинний, Олександр Юрійович Zadolynnyi, Oleksandr Yuriiovych |
| Приналежність: | ТНТУ ім. І. Пулюя, Факультет комп’ютерно-інформаційних систем і програмної інженерії, Кафедра комп’ютерних наук, м. Тернопіль, Україна |
| Бібліографічний опис: | Задолинний О. Ю. Дослідження згорткових нейронних мереж для задач опрацювання медичних зображень в умовах пандемії : кваліфікаційна робота освітнього рівня „Магістр“ „122 – комп’ютерні науки“ / О. Ю. Задолинний – Тернопіль : ТНТУ, 2021. – 72 с. |
| Дата публікації: | 20-гру-2021 |
| Дата подання: | 6-гру-2021 |
| Дата внесення: | 26-гру-2021 |
| Країна (код): | UA |
| Місце видання, проведення: | ТНТУ ім. І.Пулюя, ФІС, м. Тернопіль, Україна |
| Науковий керівник: | Пасічник, Володимир Володимирович |
| Члени комітету: | Микитишин, Андрій Григорович |
| УДК: | 004.9 |
| Теми: | глибоке навчання deep learning виявлення detection згортка нейронна мережа convolution neural network зображення image опрацювання processing COVID-19 |
| Короткий огляд (реферат): | Кваліфікаційна робота присв’ячена дослідженню згорткових нейронних мереж для задач опрацювання медичних зображень. В першому розділі кваліфікаційної роботи описано коронавіруси та пандемію. Висвітлено стан досліджень в галузі опрацювання медичних зображень. Проведено наукові розвідки про використання згорткових нейронних мереж для опрацювання медичних зображень в умовах пандемії. В другому розділі кваліфікаційної роботи описано раннє виявлення COVID-19 з використанням згорткових нейронних мереж. Досліджено їх гібридну модель. Розглянуто капсульні мережі. Досліджено нейромережну архітектуру VGG-CapNet. В третьому розділі кваліфікаційної роботи описано описано обчислювальний експеримент та подано результати моделювання. Досліджено модель CNN-CapsNet для виявлення COVID-19. Наведено результати використання моделі VGG-CapsNet для виявлення COVID-19. Проаналізовано результати моделювання. Qualification work is devoted to the study of convolutional neural networks for the tasks of medical image processing. The first section of the qualification describes coronaviruses and pandemics. The state of research in the field of medical image processing is highlighted. Scientific research has been conducted on the use of convolutional neural networks for the processing of medical images in a pandemic. The second section of the qualification work describes the early detection of COVID-19 using convolutional neural networks. Their hybrid model has been studied. Capsule networks are considered. The neural network architecture of VGG-CapNet has been studied. The third section of the qualification work describes the computational experiment and presents the simulation results. The CNN-CapsNet model for COVID-19 detection was investigated. The results of using the VGG-CapsNet model to detect COVID-19 are presented. The simulation results are analyzed. |
| Зміст: | ВСТУП 8 1 АНАЛІЗ ПРЕДМЕТНОЇ ОБЛАСТІ 10 1.1 Коронавіруси та пандемія 10 1.2 Стан досліджень в галузі опрацювання медичних зображень 11 1.3 Наукові розвідки про використання CNN для опрацювання медичних зображень в умовах пандемії 12 1.4 Висновок до першого розділу 22 2 МОДЕЛІ ВИЯВЛЕННЯ ІНФЕКЦІЙНИХ ЗАХВОРЮВАНЬ З ВИКОРИСТАННЯМ ЗГОРТКОВИХ НЕЙРОННИХ МЕРЕЖ 23 2.1 Раннє виявлення COVID-19 з використанням CNN 23 2.2 Згорткові нейронні мережі 25 2.3 Гібридна модель CNN 27 2.4 Капсульні мережі 32 2.5 Нейромережна архітектура VGG-CapNet 36 2.6 Набір даних зображень 39 2.7 Висновок до другого розділу 40 3 ОБЧИСЛЮВАЛЬНИЙ ЕКСПЕРИМЕНТ НА ОСНОВІ ЗГОРТКОВИХ НЕЙРОННИХ МЕРЕЖ ДЛЯ ЗАДАЧ ОПРАЦЮВАННЯ МЕДИЧНИХ ЗОБРАЖЕНЬ В УМОВАХ ПАНДЕМІЇ 41 3.1 Обчислювальний експеримент та результати моделювання 41 3.2 Модель CNN-CapsNet для виявлення COVID-19 42 3.3 Модель VGG-CapsNet для виявлення COVID-19 48 3.4 Аналіз результатів моделювання 54 3.5 Висновок до третього розділу 57 4 ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ 59 4.1 Дії роботодавців в умовах пандемії при захворюванні працівників COVID-19 59 4.2 Ергономічні вимоги до робочого місця користувача персональним комп’ютером (ПК) 62 ВИСНОВКИ 65 ПЕРЕЛІК ДЖЕРЕЛ 66 ДОДАТКИ |
| URI (Уніфікований ідентифікатор ресурсу): | http://elartu.tntu.edu.ua/handle/lib/36852 |
| Власник авторського права: | © Задолинний Олександр Юрійович, 2021 |
| Перелік літератури: | 1 Guo Y.R., Cao Q.D., Hong Z.S., et al. The origin, transmission and clinical therapies on corona virus disease 2019 (COVID-19) outbreak–an update on the status. Mil Med Res. 2020;7(1):1-10. 2 Worldometer. COVID-19 CORONAVIRUS PANDEMIC. Coronavirus Cases. https://www.worldometers.info/coronavirus/. 3 Woolhouse M., Scott F., Hudson Z., Howey R., Chase-Topping M. Human viruses: discovery and emergence. Philos Trans R Soc B Biol Sci. 2012;367(1604):2864-2871. 4 Cascella M., Rajnik M., Cuomo A., Dulebohn S.C., di Napoli R. Features, evaluation and treatment corona virus (COVID-19). Statpearls [internet]. Treasure Island (FL): StatPearls Publishing; 2020. https://www.ncbi.nlm.nih.gov/books/NBK554776/. 5 Duda, O., et al, Selection of Effective Methods of Big Data Analytical Processing in Information Systems of Smart Cities. CEUR Workshop Proceedings 2631, pp. 68-78. 2020. 6 Bodnarchuk I., Duda O., Kharchenko A., Kunanets N., Matsiuk O., Pasichnyk V. Choice method of analytical information-technology platform for projects associated to the smart city class. ICTERI 2020 ICT in Education, Research and Industrial Applications. Integration, Harmonization and Knowledge Transfer Proceedings of the 14th International Conference on ICT in Education, Research and Industrial Applications. Integration, Harmonization and Knowledge Transfer. Volume I: Main Conference р.317-330. 7 Singhal T. A review of corona virus disease-2019 (COVID-19). Indian J Pediatr. 2020;87(4):281-286. 8 Kong W., Agarwal P.P. Chest imaging appearance of COVID-19 infection. Radiol Cardiothorac Imaging. 2020;2(1):e200028. 9 R. Baig, M. Bibi, A. Hamid, S. Kausar, S. Khalid, Deep learning approaches towards skin lesion segmentation and classification from dermoscopic images-a review, Current Med. Imag. 16 (2020) 513–533. 10 Duda, O., Pasichnyk, V., Kunanets, N., Antonii, R., Matsiuk, O. Multidimensional Representation of COVID-19 Data Using OLAP Information Technology. International Scientific and Technical Conference on Computer Sciences and Information Technologies, 2020, 2, pp. 277–280, 9321889. 11 LeCun Y., Bengio Y., Hinton G. Deep learning. Nature. 2015;521 (7553):436-444. 12 Jain A, Tiwari S, Sapra V. Hands on Deep Learning with Python Programming. Germany: Lambert Academic Publishing House; 2018 978-613-9-91551-4. https://www.lap-publishing.com/cata log/details/store/gb/book/978-613-9-91551-4/hands-on-deeplearning-with-python-programming. 13 Iesmantas T., Alzbutas R. Convolutional capsule network for classification of breast cancer histology images. International Conference Image Analysis and Recognition. Cham, Switzerland: Springer; 2018:853-860. 14 Tiwari S., Shamik, Anurag J.. "Convolutional capsule network for COVID‐19 detection using radiography images." International Journal of Imaging Systems and Technology 31.2 (2021): 525-539. 15 Apostolopoulos I.D., Mpesiana TA. COVID-19: automatic detection from X-ray images utilizing transfer learning with convolutional neural networks. Phys Eng Sci Med. 2020;43(2): 635–640. 16 Hall L.O., Paul R., Goldgof D.B., Goldgof G.M. Finding COVID-19 from chest X-Rays using deep learning on a small dataset. arXiv preprint arXiv:2004.02060; 2020. 17 Zhang J., Xie Y., Li Y., Shen C., Xia Y.. COVID-19 screening on chest X-Ray images using deep learning based anomaly detection. arXiv preprint arXiv:2003.12338; 2020. 18 Ucar F., Korkmaz D. COVIDiagnosis-net: deep BayesSqueezeNet based diagnostic of the corona virus disease 2019 (COVID-19) from X-ray images. Med Hypotheses. 2020;140 (2020):1–12. 19 Khalifa N.E.M., Taha M.H.N., Hassanien A.E., Elghamrawy S.. Detection of corona virus (COVID-19) associated pneumonia based on generative adversarial networks and a fine-tuned deep transfer learning model using chest X-Ray dataset. arXiv preprint arXiv:2004.01184; 2020. 20 Salman F.M., Abu-Naser SS, Alajrami E, Abu-Nasser BS, Alashqar BA, COVID-19 Detection Using Artificial Intelligence; United States: The DSpace Institutional Digital Repository System; 2020. http://dstore.alazhar.edu.ps/xmlui/handle/1234567 89/587. 21 Sethy P.K., Behera S.K. Detection of corona virus disease (COVID19) based on deep features. Preprints, 2020030300; 2020. 22 Maghdid H.S, Asaad A.T., Ghafoor K.Z., Sadiq A.S., Khan M.K. Diagnosing COVID-19 pneumonia from X-Ray and CT images using deep learning and transfer learning algorithms. arXiv preprint arXiv:2004.00038; 2020. 23 Bassi P.R., Attux R. A deep convolutional neural network for COVID-19 detection using chest X-rays. arXiv preprint arXiv: 2005.01578; 2020. 24 Ozturk T., Talo M., Yildirim E.A., Baloglu U.B., Yildirim O., Acharya U.R. Automated detection of COVID-19 cases using deep neural networks with X-ray images. Comput Biol Med. 2020;121:103792. 25 Mei X., Lee H.C., Diao K.Y., et al. Artificial intelligence–enabled rapid diagnosis of patients with COVID-19. Nat Med. 2020;26 (8):1224-1228. 26 Li L., Qin L., Xu Z., et al. Using artificial intelligence to detect COVID-19 and community-acquired pneumonia based on pulmonary CT: evaluation of the diagnostic accuracy. Radiology. 2020;296(2):E65. 27 Toraman S., Alakus T.B., Türkoglu I. Convolutional CapsNet: a_ novel artificial neural network approach to detect COVID-19 disease from X-ray images using capsule networks. Chaos Solitons Fractals. 2020;140:110122. 28 Shoeibi A., Khodatars M., Alizadehsani R., et al. Automated detection and forecasting of COVID-19 using deep learning techniques: a review. arXiv preprint arXiv:2007.10785; 2020. 29 I.U. Khan, N. Aslam, A deep-learning-based framework for automated diagnosis of COVID-19 using X-ray images, Information 11 (2020) 419. 30 A.S.B. Aman Jaiswal, Analysis of deep learning algorithms on COVID-19 radiography database, Int. J. Adv. Sci. Technol. 29 (2020) 1268–1275. 31 M. Nour, Z. Cömert, K. Polat, A novel medical diagnosis model for COVID19 infection detection based on deep features and Bayesian optimization, Appl. Soft Comput. (2020) 106580. 32 M.E. Chowdhury, T. Rahman, A. Khandakar, R. Mazhar, M.A. Kadir, Z.B. Mahbub, K.R. Islam, M.S. Khan, A. Iqbal, N. Al-Emadi, Can AI help in screening viral and COVID-19 pneumonia?, 2020, ArXiv preprint arXiv: 2003.13145. 33 Aslan M.F., et al. "CNN-based transfer learning–BiLSTM network: A novel approach for COVID-19 infection detection." Applied Soft Computing 98 (2021): 106912. 34 S. Asif, Y. Wenhui, Automatic detection of COVID-19 using X-ray images with deep convolutional neural networks and machine learning, medRxiv (2020). 35 M. Toğaçar, B. Ergen, Z. Cömert, COVID-19 detection using deep learning models to exploit social mimic optimization and structured chest X-ray images using fuzzy color and stacking approaches, Comput. Biol. Med. (2020) 103805. 36 F. Ucar, D. Korkmaz, COVIDiagnosis-Net: Deep Bayes-SqueezeNet based diagnostic of the coronavirus disease 2019 (COVID-19) from X-ray images, Med. Hypotheses (2020) 109761. 37 T. Ozturk, M. Talo, E.A. Yildirim, U.B. Baloglu, O. Yildirim, U.R. Acharya, Automated detection of COVID-19 cases using deep neural networks with X-ray images, Comput. Biol. Med. (2020) 103792. 38 A.I. Khan, J.L. Shah, M.M. Bhat, Coronet: A deep neural network for detection and diagnosis of COVID-19 from chest x-ray images, Comput. Methods Programs Biomed. (2020) 105581. 39 A. Sharma, S. Rani, D. Gupta, Artificial intelligence-based classification of chest X-ray images into COVID-19 and other infectious diseases, Int. J. Biomed. Imaging 2020 (2020). 40 A. Narin, C. Kaya, Z. Pamuk, Automatic detection of coronavirus disease (covid-19) using x-ray images and deep convolutional neural networks, 2020, ArXiv preprint arXiv:2003.10849. 41 M. Singh, S. Bansal, S. Ahuja, R.K. Dubey, B.K. Panigrahi, N. Dey, Transfer Learning Based Ensemble Support Vector Machine Model for Automated COVID-19 Detection using Lung Computerized Tomography Scan Data, 2020. 42 G. Liu, J. Guo, Bidirectional LSTM with attention mechanism and convolutional layer for text classification, Neurocomputing 337 (2019) 325–338. 43 L. Wang, A. Wong, COVID-Net: A tailored deep convolutional neural network design for detection of COVID-19 cases from chest X-ray images, 2020, ArXiv preprint arXiv:2003.09871. 44 A. Gupta, Anjum, S. Gupta, R. Katarya, InstaCovNet-19: A Deep learning classification model for the detection of COVID-19 patients using chest X-ray, Appl. Soft Comput. (2020) 106859. 45 X. Xu, X. Jiang, C. Ma, P. Du, X. Li, S. Lv, L. Yu, Q. Ni, Y. Chen, J. Su, A deep learning system to screen novel coronavirus disease 2019 pneumonia, Engineering (2020). 46 P.K. Sethy, S.K. Behera, Detection of coronavirus disease (covid-19) based on deep features, Preprints 2020030300 (2020) 2020. 47 E.E.-D. Hemdan, M.A. Shouman, M.E. Karar, Covidx-net: A framework of deep learning classifiers to diagnose covid-19 in X-ray images, 2020, ArXiv preprint arXiv:2003.11055. 48 M. Rahimzadeh, A. Attar, A new modified deep convolutional neural network for detecting COVID-19 from X-ray images, 2020, ArXiv preprint arXiv:2004.08052. 49 P. Afshar, S. Heidarian, F. Naderkhani, A. Oikonomou, K.N. Plataniotis, A. Mohammadi, Covid-caps: A capsule network-based framework for identification of covid-19 cases from x-ray images, 2020, ArXiv preprint arXiv:2004.02696. 50 I.D. Apostolopoulos, T.A. Mpesiana, Covid-19: automatic detection from xray images utilizing transfer learning with convolutional neural networks, Phys. Eng. Sci. Med. (2020) 1. 51 M. Farooq, A. Hafeez, Covid-resnet: A deep learning framework for screening of covid19 from radiographs, 2020, ArXiv preprint arXiv:2003. 14395. 52 A.M. Dawud, K. Yurtkan, H. Oztoprak, Application of deep learning in neuroradiology: Brain haemorrhage classification using transfer learning, Comput. Intell. Neurosci. 2019 (2019). 53 D.P. Kingma, J. Ba, Adam: A method for stochastic optimization, 2014, ArXiv preprint arXiv:1412.6980. 54 Tiwari S. A blur classification approach using deep convolution neural network. Int J Inf Syst Model Des. 2020;11(1):93-111. 55 Hinton G.E., Krizhevsky A., Wang S.D. Transforming autoencoders. International Conference on Artificial Neural Networks. Berlin, Heidelberg: Springer; 2011:44-51. 56 Sabour S., Frosst N., Hinton G.E. Dynamic routing between capsules. Adv Neural Inf Proces Syst. 2017;10(3):3856-3866. 57 Hinton G.E., Sabour S., Frosst N. Matrix Capsules with EM Routing; 2018:1–15. https://openreview.net/forum?id=HJWLfGWR b¬eId=rk5MadsMf¬eId=rk5MadsMf. 58 Tiwari S. Dermatoscopy using multi-layer perceptron, convolution neural network, and capsule network to differentiate malignant melanoma from benign nevus. Int J Healthc Inf Syst Inform. 2021;16(3):58-73. 59 Dadario A.M.V. COVID-19 X rays. Kaggle. https://doi.org/10. 34740/KAGGLE/DSV/1019469. 60 Juba B., Le H.S. Precision-recall versus accuracy and the role of large data sets. Proceedings of the AAAI Conference on Artificial Intelligence. Vol 33; 2019:4039-4048. 61 Дії роботодавця, якщо у працівника виявлено коронавірус. https://oppb.com.ua/news/diyi-robotodavcya-yakshcho-u-pracivnyka-vyyavleno-koronavirus. 62 Постанови Кабінету міністрів України від 22.07.2020 р. № 641. https://zakon.rada.gov.ua/laws/show/641-2020-%D0%BF#Text. 63 Законом України Про загальнообов’язкове державне соціальне страхування від 23.09.1999 р. № 1105-XIV. https://zakon.rada.gov.ua/laws/show/1105-14#Text. 64 Левченко, Олег Григорович, et al. "Безпека життєдіяльності та цивільний захист." (2019). 65 Січко, Віктор Михайлович, and Анатолій Миколайович Тубальцев. "Безпека життєдіяльності." (2019). |
| Тип вмісту: | Master Thesis |
| Розташовується у зібраннях: | 122 — комп’ютерні науки |
Файли цього матеріалу:
| Файл | Опис | Розмір | Формат | |
|---|---|---|---|---|
| SNm-61_Zadolynnyi_O_Y.pdf | 2,74 MB | Adobe PDF | Переглянути/відкрити |
Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.
Інструменти адміністратора