Please use this identifier to cite or link to this item: http://dspace.snu.edu.ua:8080/jspui/handle/123456789/3200
Title: Розпізнавання взіємодії інструментів з тканиною на медичних відеозображеннях
Authors: Білобородова, Т.О.
Сіряк, Р.В.
Скарга-Бандурова, І.С.
Давіденко, М.О.
Сіроштан, І.В.
Приймак, С.О.
Keywords: розпізнавання
відеозображення
анотування
сегментація
нейронна мережа
Issue Date: 2019
Publisher: СНУ ім. В. Даля
Citation: Розпізнавання взіємодії інструментів з тканиною на медичних відеозображеннях / Т. О. Білобородова, Р. В. Сіряк, І. С. Скарга-Бандурова, М. О. Давіденко, І. В. Сіроштан, С. О. Приймак // Наукові вісті Далівського університету : електронне наукове фахове видання. – 2019. – №17. - DOI: https://doi.org/10.33216/2222-3428-2019-17-3
Abstract: У статті досліджується технологія розпізнавання медичних зображень, що включає анотування відеозображень та їх використання для навчання моделі визначення об'єктів на відео. Розглянуто режими маркування відеозображень, технології розпізнавання з використанням методів визначення просторової активності об'єктів і сегментації. Представлений процес реалізації анотування медичних відеозображень лапороскопічного хірургічного втручання для виділення об'єктів розпізнавання. Досліджено процесс навчання моделі, структура і конфігурація мережі для створення моделі розпізнавання об'єктів медичних відеозображеннь. Представлений процес анотування медичних відеозображень лапароскопічного хірургічного втручання для віділення об'єктів розпізнавання. Визначені етапи підготовки та розпізнавання відеозображень: анотування відеозображень, навчання моделі, використання навченої моделі для нових нерозмічених відеозображень в режимі реального часу. Для навчання моделі використана мережа виявлення об'єктів в режимі реального часу YOLO. Компоненти виявлення об'єктів відеозображення об'єднуються в єдину нейронну мережу. Мережа використовує функції всього зображення для прогнозування кожної коробки. Класифікуються всі обмежуючі прямокутники коробки для всіх класів зображення одночасно. Навчання моделі проводилося з використанням відеозображень, анотованих для задач виявлення об'єктів та локалізації. Для оцінки якості моделі використаний параметр mean average precision (mAP). На 10000 ітерацій отримані наступні результати. Загальна кількість виявлень = 38154, з них правильних виявлень = 25248. Кількість хибно позитивних (FP), хибно негативних (FN), істинно позитивних (TP) і істинно негативних (TN) результатів виявлення розподілена наступним чином. TN = 7071, TP = 7656, FP = 5835, FN = 17592. Ці результати розпізнавання використані для розрахунку IoU і mAP. Середній показник IoU = 41,36%, mAP = 0.290665 або 29.07%
URI: http://dspace.snu.edu.ua:8080/jspui/handle/123456789/3200
Appears in Collections:№ 17

Files in This Item:
File Description SizeFormat 
5.pdf464,97 kBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.