Застосування нейронних мереж для текстурної сегментації МРТ-знімків
DOI:
https://doi.org/10.18372/2073-4751.2.6474Анотація
Проведено аналіз існуючих методів побудови, топологій і методів навчання нейронних мереж для обробки зображень. Дані рішення дозволяють створити автоматичну систему діагностики захворювань на основі даних, отриманих із знімків магнітно-резонансної томографії. Вимогам системи діагностики задовольняють нейронні мережі з каскадною топологією або звичайні мережі з прямими зв'язками. У процесі моделювання в програмному пакеті MatLab v 6.5.2., були досліджені швидкість навчання мережі від кількості нейронів у схованому шарі і значення похибки розпізнавання даних мереж в залежності від шуму зображення. У результаті дослідження з'ясувалося, що найбільш швидко навчалась мережа з прямими зв'язками - 199 навчальних впливів при кількості нейронів у прихованому шарі 15. У свою чергу мережа з каскадними зв'язками менш чутлива до шуму
Посилання
Хайкин, Саймон. Нейронные се-ти: полный курс, 2e издание. : Пер. с анrл. М. Издательский дом "Вильямс", 2006. 1104 с. : ил. Парал. тит. анrл.
Rafael C. Gonzalez, Richard E. Woods. Digital Image Processing. Second Edition. Prentice Hall, 2002. – 812 p.
James G. Nagy and Misha E. Kilmer. Kronecker Product Approximation for Preconditioning in Three-Dimensional Imaging // IEEE Transaction on image processing, Vol. 15, No. 3, March 2006 p. 604-613
Zhao Songnian1, Zou Qi, Jin Zhen, Yao Guozheng, Yao Li. Neural computation of visual imaging based on Kronecker prod-uct in the primary visual cortex // Songnian et al. BMC Neuroscience 2010
Ahmed Kharat, Karim Gasmi. A Hybrid Approach for Automatic Classifica-tion of Brain MRI Using Genetic Algorithm and Support Vector Machine // Leonardo Journal of Sciences July-December 2010 p. 71-82
Ahmed Kharat, Karim Gasmi, Mo-hamed Abid. Automated Classification of Magnetic Resonance Brain Images Using Wavelet Genetic Algorithm and Support Vector Machine // Leonardo Journal of Sci-ences July-December 2011 p. 369-374
A. Ortiz, J. M. Gorriz, J. Ramirez, and D. Salas-Gonzalez. Unsupervised Neural Techniques Applied to MR Brain Image Segmentation // Hindawi Publishing Corpo-
ration Advances in Artificial Neural Systems Volume 2012, Article ID 457590, 7 pages
Amir Maleki Anvar, Alireza Mohammadi, Abdolhamid Pilevar. SOM Neural Network as a Method in Image Color Reduction // IJCSNS International Journal of Computer Science and Network Securi-ty,VOL.13 No.2, February 2013 p. 64-68
J. Jiang, P. Trundle∗, J. Ren. Medi-cal image analysis with artificial neural net-works // Computerized Medical Imaging and Graphics 34 (2010) 617–631
D. Jude Hemanth, C.Kezi Selva Vijila* and J.Anitha*. Application of Neuro-Fuzzy Model for MR Brain Tumor Image Classification // Biomedical Soft Computing and Human Sciences, Vol.16,No.1, 2010 pp.95-102
Дьяконов В.П., Круглов В.В. MATLAB 6.5 SP1/7/7 SP1/7 SP2 + Sim-ulink5/6. Инструменты искусственного интеллекта и биоинформатики. – М.: СОЛОН-ПРЕСС, 2006. – 456 с.
##submission.downloads##
Номер
Розділ
Ліцензія
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
