Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал:
http://elartu.tntu.edu.ua/handle/lib/38171| Назва: | Дослідження систем комп’ютерного зору для опрацювання відомостей щодо вірусних захворювань |
| Інші назви: | Research of computer vision systems for processing information on viral diseases |
| Автори: | Поточняк, Юрій Сергійович Potochniak, Yurii Serhiiovych |
| Приналежність: | ТНТУ ім. І. Пулюя, Факультет комп’ютерно-інформаційних систем і програмної інженерії, Кафедра комп’ютерних наук, м. Тернопіль, Україна |
| Бібліографічний опис: | Поточняк Ю. С. Дослідження систем комп'ютерного зору для опрацювання відомостей щодо вірусних захворювань : кваліфікаційна робота освітнього рівня „Бакалавр“ „126 — інформаційні системи та технології“ / В. П. Іваненко. — Тернопіль : ТНТУ, 2022. — 56 с. |
| Дата публікації: | 20-чер-2022 |
| Дата подання: | 6-чер-2022 |
| Дата внесення: | 24-чер-2022 |
| Країна (код): | UA |
| Місце видання, проведення: | ТНТУ ім. І.Пулюя, ФІС, м. Тернопіль, Україна |
| Науковий керівник: | Приймак, Микола Володимирович |
| Члени комітету: | Стухляк Петро Данилович |
| УДК: | 004.62 |
| Теми: | аналітичне опрацювання analytical processing вірус virus інфікування infection комп’ютерний зір computer vision машинне навчання machine learning томографія tomography розпізнавання зображень image recognition |
| Короткий огляд (реферат): | Кваліфікаційна робота присвячена дослідженню систем комп’ютерного зору для опрацювання відомостей щодо вірусних захворювань. Мета роботи: підвищення рівня поінформованості щодо систем комп’ютерного зору та особливостей їх використання для опрацювання відомостей щодо вірусних захворювань. В першому розділі кваліфікаційної роботи освітнього оівня «Бакалавр» подано аналіз предметної області. Висвітлена історія розвитку коронавірусів. Досліджені ключові сфери досліджень в галузи комп’ютерного зору. Описано поширені на даний час БД та ресурси. В другому розділі кваліфікаційної роботи описано діагностику та прогноз вірусних захворювань. Проведено дослідження систем комп’ютерного зору для КТ. Описано дослідження систем комп’ютерного зору для CXR. Висвітлено дослідження систем комп’ютерного зору для профілактики та контролю вірусних захворювань. Розглянуто дослідження систем комп’ютерного зору для клінічного лікування та спостереження. The qualification work is devoted to the study of computer vision systems for processing information on viral diseases. Purpose: to raise awareness of computer vision systems and the features of their use to process information on viral diseases. In the first section of the qualification work of the educational school "Bachelor" the analysis of the subject area is given. The history of coronavirus development is covered. Key areas of research in the field of computer vision have been explored. Currently described databases and resources. The second section of the qualification work describes the diagnosis and prognosis of viral diseases. A study of computer vision systems for CT. A study of computer vision systems for CXR is described. Research on computer vision systems for the prevention and control of viral diseases is covered. The study of computer vision systems for clinical treatment and observation is considered. |
| Зміст: | ВСТУП 7 1 АНАЛІЗ ПРЕДМЕТНОЇ ОБЛАСТІ, ІСТРІЯ РОЗВИТКУ КОРОНАВІРУСІВ, СФЕРИ ТА БАЗИ ДАНИХ ДОСЛІДЖЕНЬ 8 1.1 Аналіз предметної області 8 1.2 Історія розвитку коронавірусів 12 1.3 Ключові сфери досліджень в галузі комп’ютерного зору 13 1.4 БД та ресурси 14 1.4.1 БД КТ-зображень та рентгенівських знімків 14 1.4.2 БД інших зображень 16 1.5 Висновок до першого розділу 16 2 ДІАГНОСТИКА ТА ПРОГНОЗ ВІРУСНИХ ЗАХВОРЮВАНЬ ЗАСОБАМИ СИСТЕМ КОМП’ЮТЕРНОГО ЗОРУ 17 2.1 Діагностика та прогноз вірусних захворювань 17 2.2 Дослідження систем комп’ютерного зору для КТ 17 2.3 Дослідження систем комп’ютерного зору для CXR 21 2.4 Дослідження систем комп’ютерного зору для профілактики та контролю вірусних захворювань 27 2.5 Дослідження систем комп’ютерного зору для клінічного лікування та спостереження 30 2.6 Висновок до другого розділу 34 3 БЕЗПЕКА ЖИТТЄДІЯЛЬНОСТІ, ОСНОВИ ХОРОНИ ПРАЦІ 35 3.1 Надзвичайні ситуації екологічного характеру 35 3.2 Долікарська допомога при шоку 37 3.3 Висновок до третього розділу 38 ВИСНОВКИ 39 ПЕРЕЛІК ДЖЕРЕЛ 40 |
| URI (Уніфікований ідентифікатор ресурсу): | http://elartu.tntu.edu.ua/handle/lib/38171 |
| Власник авторського права: | © Поточняк Юрій Сергійович, 2022 |
| Перелік літератури: | 1 Oleksii Duda, Liliana Dzhydzhora, Oleksandr Matsiuk, Andrii Stanko, Nataliia Kunanets, Volodymyr Pasichnyk, Oksana Kunanets. Mobile Information System for Monitoring the Spread of Viruses in Smart Cities. SISN. 2020; Volume 8: pp. 65 - 70. 2 Yu Chen, Qianyun Liu, and Deyin Guo. Emerging coronaviruses: genome structure, replication, and pathogenesis. Journal of medical virology, 92(4):418–423, 2020. 3 Junfeng Gao, Yong Yang, Pan Lin, and Dong Sun Park. Computer vision in healthcare applications. Journal of healthcare engineering, 2018, 2018. 4 Coronavirus research is being published at a furious pace. URL: https://www.economist.com/graphic-detail/2020/03/20/coronavirus-research-is-being-published-at-a-furiouspace. 5 David S Hui, Esam I Azhar, Tariq A Madani, Francine Ntoumi, Richard Kock, Osman Dar, Giuseppe Ippolito, Timothy D Mchugh, Ziad A Memish, Christian Drosten, et al. The continuing 2019-ncov epidemic threat of novel coronaviruses to global health—the latest 2019 novel coronavirus outbreak in wuhan, china. International Journal of Infectious Diseases, 91:264, 2020. 6 Duda, O., Pasichnyk, V., Kunanets, N., Antonii, R., & Matsiuk, O. (2020, September). Multidimensional Representation of COVID-19 Data Using OLAP Information Technology. In 2020 IEEE 15th International Conference on Computer Sciences and Information Technologies (CSIT) (Vol. 2, pp. 277-280). IEEE. 7 Duda O., Kunanets N., Matsiuk O., Pasichnyk V., Rzheuskyi A. (2021) Aggregation, Storing, Multidimensional Representation and Processing of COVID-19 Data. In: Shakhovska N., Medykovskyy M.O. (eds) Advances in Intelligent Systems and Computing V. CSIT 2020. Advances in Intelligent Systems and Computing, vol 1293, pp 875-889. Springer, Cham. ISBN978-3-030-63270-0. 8 WHO Director-General’s Opening Remarks at the media briefing on COVID-19 - 11 March 2020. URL : (https://www.who.int/dg/speeches/detail/who-director-general-s-opening-remarks-atthe-media-briefing-on-covid-19—11-march-2020). 9 Jinyu Zhao, Yichen Zhang, Xuehai He, and Pengtao Xie. Covid-ct-dataset: a ct scan dataset about covid-19. arXiv preprint arXiv:2003.13865, 2020. 10 Muhammad EH Chowdhury, Tawsifur Rahman, Amith Khandakar, Rashid Mazhar, Muhammad Abdul Kadir, Zaid Bin Mahbub, Khandakar R Islam, Muhammad Salman Khan, Atif Iqbal, Nasser Al-Emadi, et al. Can ai help in screening viral and covid-19 pneumonia? arXiv preprint arXiv:2003.13145, 2020. 11 Joseph Paul Cohen, Paul Morrison, and Lan Dao. Covid-19 image data collection. arXiv preprint arXiv:2003.11597, 2020. 12 Linda Wang and Alexander Wong. Covid-net: A tailored deep convolutional neural network design for detection of covid-19 cases from chest radiography images. arXiv preprint arXiv:2003.09871, 2020. 13 Xiaosong Wang, Yifan Peng, Le Lu, Zhiyong Lu, Mohammadhadi Bagheri, and Ronald M Summers. Chestxray8: Hospital-scale chest x-ray database and benchmarks on weakly-supervised classification and localization of common thorax diseases. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 2097–2106, 2017. 14 Zhongyuan Wang, Guangcheng Wang, Baojin Huang, Zhangyang Xiong, Qi Hong, Hao Wu, Peng Yi, Kui Jiang, Nanxi Wang, Yingjiao Pei, et al. Masked face recognition dataset and application. arXiv preprint arXiv:2003.09093, 2020. 15 Navdeep Kanwal, Akshay Girdhar, and Savita Gupta. Region based adaptive contrast enhancement of medical x-ray images. In 2011 5th International Conference on Bioinformatics and Biomedical Engineering, pages 1–5. IEEE, 2011. 16 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. 17 Wenling Wang, Yanli Xu, Ruqin Gao, Roujian Lu, Kai Han, Guizhen Wu, and Wenjie Tan. Detection of sars-cov-2 in different types of clinical specimens. Jama, 2020. 18 Chen Chen, Guiju Gao, Yanli Xu, Lin Pu, Qi Wang, Liming Wang, Wenling Wang, Yangzi Song, Meiling Chen, Linghang Wang, et al. Sars-cov-2–positive sputum and feces after conversion of pharyngeal samples in patients with covid-19. Annals of Internal Medicine, 2020. 19 Tao Ai, Zhenlu Yang, Hongyan Hou, Chenao Zhan, Chong Chen, Wenzhi Lv, Qian Tao, Ziyong Sun, and Liming Xia. Correlation of chest ct and rt-pcr testing in coronavirus disease 2019 (covid-19) in china: a report of 1014 cases. Radiology, page 200642, 2020. 20 Computed Tomography (CT) – Chest. https://www.radiologyinfo.org/ en/info. cfm?pg=chestct/. 21 Yan Li and Liming Xia. Coronavirus disease 2019 (covid-19): Role of chest ct in diagnosis and management. American Journal of Roentgenology, pages 1–7, 2020. 22 Rong Chen, Jun Chen, and Qing-tao Meng. Chest computed tomography images of early coronavirus disease (covid-19). Canadian Journal of Anesthesia/Journal canadien d’anesth´esie, pages 1–2, 2020. 23 Xiaohu Li, Xiaosong Zeng, Bin Liu, and Yongqiang Yu. Covid-19 infection presenting with ct halo sign. Radiology: Cardiothoracic Imaging, 2(1):e200026, 2020. 24 Jun Chen, Lianlian Wu, Jun Zhang, Liang Zhang, Dexin Gong, Yilin Zhao, Shan Hu, Yonggui Wang, Xiao Hu, Biqing Zheng, et al. Deep learning-based model for detecting 2019 novel coronavirus pneumonia on high-resolution computed tomography: a prospective study. medRxiv, 2020. 25 Xiaowei Xu, Xiangao Jiang, Chunlian Ma, Peng Du, Xukun Li, Shuangzhi Lv, Liang Yu, Yanfei Chen, Junwei Su, Guanjing Lang, et al. Deep learning system to screen coronavirus disease 2019 pneumonia. arXiv preprint arXiv:2002.09334, 2020. 26 Lin Li, Lixin Qin, Zeguo Xu, Youbing Yin, Xin Wang, Bin Kong, Junjie Bai, Yi Lu, Zhenghan Fang, Qi Song, et al. Artificial intelligence distinguishes covid-19 from community acquired pneumonia on chest ct. Radiology, page 200905, 2020. 27 Lucia JM Kroft, Levinia van der Velden, Irene Herna´ndez Giro´n, Joost JH Roelofs, Albert de Roos, and Jacob Geleijns. Added value of ultra–low-dose computed tomography, dose equivalent to chest x-ray radiography, for diagnosing chest pathology. Journal of thoracic imaging, 34(3):179, 2019. 28 Paola Pisani, Maria Daniela Renna, Francesco Conversano, Ernesto Casciaro, Maurizio Muratore, Eugenio Quarta, Marco Di Paola, and Sergio Casciaro. Screening and early diagnosis of osteoporosis through x-ray and ultrasound based techniques. World journal of radiology, 5(11):398, 2013. 29 Mugahed A Al-antari, Mohammed A Al-masni, Mun-Taek Choi, Seung-Moo Han, and Tae-Seong Kim. A fully integrated computer-aided diagnosis system for digital x-ray mammograms via deep learning detection, segmentation, and classification. International journal of medical informatics, 117:44–54, 2018. 30 Michael A Speidel, Brian P Wilfley, Josh M Star-Lack, Joseph A Heanue, and Michael S Van Lysel. Scanningbeam digital x-ray (sbdx) technology for interventional and diagnostic cardiac angiography. Medical physics, 33(8):2714–2727, 2006. 31 Jeffrey W Eberhard, Rudolph Koegl, and John P Keaveney. Adaptive enhancement of x-ray images, July 17 1990. US Patent 4,942,596. 32 Ming-Yen Ng, Elaine YP Lee, Jin Yang, Fangfang Yang, Xia Li, Hongxia Wang, Macy Mei-sze Lui, Christine Shing-Yen Lo, Barry Leung, Pek-Lan Khong, et al. Imaging profile of the covid-19 infection: radiologic findings and literature review. Radiology: Cardiothoracic Imaging, 2(1):e200034, 2020. 33 Muhammad Farooq and Abdul Hafeez. Covid-resnet: A deep learning framework for screening of covid19 from radiographs. arXiv preprint arXiv:2003.14395, 2020. 34 Guszt´av Ga´al, Bal´azs Maga, and Andr´as Luk´acs. Attention u-net based adversarial architectures for chest x-ray lung segmentation. arXiv preprint arXiv:2003.10304, 2020. 35 Ali Narin, Ceren Kaya, and Ziynet Pamuk. Automatic detection of coronavirus disease (covid-19) using x-ray images and deep convolutional neural networks. arXiv preprint arXiv:2003.10849, 2020. 36 Asmaa Abbas, Mohammed M Abdelsamea, and Mohamed Medhat Gaber. Classification of covid-19 in chest x-ray images using detrac deep convolutional neural network. arXiv preprint arXiv:2003.13815, 2020. 37 Ramprasaath R Selvaraju, Michael Cogswell, Abhishek Das, Ramakrishna Vedantam, Devi Parikh, and Dhruv Batra. Grad-cam: Visual explanations from deep networks via gradient-based localization. In Proceedings of the IEEE international conference on computer vision, pages 618–626, 2017. 38 Biraja Ghoshal and Allan Tucker. Estimating uncertainty and interpretability in deep learning for coronavirus (covid-19) detection. arXiv preprint arXiv:2003.10769, 2020. 39 Duda, O., Kunanets, N., Martsenko, S., Matsiuk, O., Pasichnyk, V., Building secure Urban information systems based on IoT technologies. CEUR Workshop Proceedings 2623, pp. 317-328. 2020. 40 Yuan.Feng. Open source face mask detection data + model + code + online web experience, all open source, 2020. URL : https://zhuanlan.zhihu. com/p/107719641?utm(%)20source=com.yinxiang. 41 Dlib c++ library, 2019. URL: http://dlib.net/. 42 WT Chiu, PW Lin, H.Y. Chiou, W.S. Lee, C.N. Lee, Y.Y. Yang, H.M. Lee, M.S. Hsieh, CJ Hu, Y.S. Ho, W.P. Deng, and C.Y. Hsu. Infrared thermography to mass-screen suspected sars patients with fever. Asia Pacific Journal of Public Health, 17(1):26–28, 2005. PMID: 16044829. 43 A. Somboonkaew, P. Prempree, S. Vuttivong, J. Wetcharungsri, S. Porntheeraphat, S. Chanhorm, P. Pongsoon, R. Amarit, Y. Intaravanne, K. Chaitavon, and S. Sumriddetchkajorn. Mobile-platform for automatic fever screening system based on infrared forehead temperature. In 2017 Opto-Electronics and Communications Conference (OECC) and Photonics Global Conference (PGC), pages 1–4, 2017. 44 Pejman Ghassemi, T. Joshua Pfefer, Jon P. Casamento, Rob Simpson, and Quanzeng Wang. Best practices for standardized performance testing of infrared thermographs intended for fever screening. PLOS ONE, 13(9):1–24, 09 2018. 45 T. Negishi, G. Sun, S. Sato, H. Liu, T. Matsui, S. Abe, H. Nishimura, and T. Kirimoto. Infection screening system using thermography and ccd camera with good stability and swiftness for non-contact vital-signs measurement by feature matching and music algorithm. In 2019 41st Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), pages 3183–3186, 2019. 46 Ali Al-Naji, Asanka G Perera, Saleem Latteef Mohammed, and Javaan Chahl. Life signs detector using a drone in disaster zones. Remote Sensing, 11(20):2441, 2019. 47 Joshua M Pearce. A review of open source ventilators for covid-19 and future pandemics. F1000Research, 9(218):218, 2020. 48 Edouard A Hay and Raghuveer Parthasarathy. Performance of convolutional neural networks for identification of bacteria in 3d microscopy datasets. PLoS computational biology, 14(12):e1006628, 2018. 49 Ophir Gozes, Maayan Frid-Adar, Hayit Greenspan, Patrick D Browning, Huangqi Zhang, Wenbin Ji, Adam Bernheim, and Eliot Siegel. Rapid ai development cycle for the coronavirus (covid-19) pandemic: Initial results for automated detection & patient monitoring using deep learning ct image analysis. arXiv preprint arXiv:2003.05037, 2020. 50 Graeme Maclaren, Dale Fisher, and Daniel Brodie. Preparing for the most critically ill patients with covid-19: the potential role of extracorporeal membrane oxygenation. Jama, 2020. 51 Yunlu Wang, Menghan Hu, Qingli Li, Xiao-Ping Zhang, Guangtao Zhai, and Nan Yao. Abnormal respiratory patterns classifier may contribute to large-scale screening of people infected with covid-19 in an accurate and unobtrusive manner, 2020. 52 Daniel Wrapp, Nianshuang Wang, Kizzmekia S. Corbett, Jory A. Goldsmith, Ching-Lin Hsieh, Olubukola Abiona, Barney S. Graham, and Jason S. McLellan. Cryo-em structure of the 2019-ncov spike in the prefusion conformation. Science, 367(6483):1260–1263, 2020. 53 Roger Perkins, Hong Fang, Weida Tong, and William J Welsh. Quantitative structure-activity relationship methods: Perspectives on drug discovery and toxicology. Environmental Toxicology and Chemistry: An International Journal, 22(8):1666–1679, 2003. 54 Yoshihiro Uesawa. Quantitative structure–activity relationship analysis using deep learning based on a novel molecular image input technique. Bioorganic & medicinal chemistry letters, 28(20):3400–3403, 2018. 55 НАДЗВИЧАЙНІ СИТУАЦІЇ ЕКОЛОГІЧНОГО ХАРАКТЕРУ. https://stud.com.ua/32757/bzhd/nadzvichayni_situatsiyi_ekologichnogo_harakteru. 56 ПЕРША МЕДИЧНА ДОПОМОГА ПРИ ЗАХВОРЮВАННЯХ, ТРАВМАМ ТА В УМОВАХ НАДЗВИЧАЙНИХ СИТУАЦІЙ. Долікарська допомога при шоку. https://subject.com.ua/safety/bezpeka/88.html. |
| Тип вмісту: | Bachelor Thesis |
| Розташовується у зібраннях: | 126 — Інформаційні системи та технології (бакалаври) |
Файли цього матеріалу:
| Файл | Опис | Розмір | Формат | |
|---|---|---|---|---|
| 2022_KRB_ST-41_Potochniak_YS.pdf | 1,91 MB | Adobe PDF | Переглянути/відкрити |
Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.
Інструменти адміністратора