Розпізнавання взаємодії інструментів з тканиною на медичних відеозображеннях.

Simple item page
dc.contributor.authorБілобородова, Т. О.
dc.contributor.authorСіряк, Р. В.
dc.contributor.authorСкарга-Бандурова, І. С.
dc.contributor.authorДавіденко, М. О.
dc.contributor.authorСіроштан, І. В.
dc.contributor.authorПриймак, С. О.
dc.date.accessioned2025-03-04T12:28:41Z
dc.date.available2025-03-04T12:28:41Z
dc.date.issued2019
dc.description.abstractУ 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%.
dc.identifier.citationРозпізнавання взаємодії інструментів з тканиною на медичних відеозображеннях. Білобородова Т. О., Сіряк Р. В., Скарга-Бандурова І. С., Давіденко М. О., Сіроштан І. В., Приймак С. О. Наукові вісті Далівського університету. 2019. № 17.
dc.identifier.udc004.932.72'1:622
dc.identifier.urihttps://dspace.snu.edu.ua/handle/123456789/1904
dc.language.isouk
dc.publisherСНУ ім. В. Даля
dc.subjectрозпізнавання
dc.subjectвідеозображення
dc.subjectанотування
dc.subjectсегментація
dc.subjectнейронна мережа
dc.titleРозпізнавання взаємодії інструментів з тканиною на медичних відеозображеннях.
dc.typeArticle

Files

Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
5.pdf
Size:
464.97 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
1.pdf
Size:
215.23 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
2.pdf
Size:
218.02 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
4.73 KB
Format:
Item-specific license agreed to upon submission
Description:
Download

Collections

Наукові вісті Далівського університету № 17