Ключевые слова: компьютерная обработка изображений, сверточная нейронная сеть, densenet, карта признаков, функция активации relu, диагностика заболеваний
Повышение качества и оперативности идентификации специальных состояний мониторируемых объектов на основе разработки математического и программного обеспечения обработки компьютерных изображений с использованием больших баз данных
УДК 004.932.2
DOI: 10.26102/2310-6018/2020.29.2.030
Актуальность исследования обусловлена нарастанием заболеваний человека, которые ассоциированы со значительным социально-экономическим ущербом и дающие значительную нагрузку на здравоохранение. В соответствии с рекомендациями ВОЗ система профилактики заболеваний должна включать в себя оценку распространенности, коррекцию, а также контроль факторов риска (WHO, 2009). Особое место в этом комплексе мер занимает система массового мониторинга заболеваний, как механизм оценки ситуации и потребности в реализации профилактических мер, так и способ контроля эффективности реализуемых профилактических мероприятий. В связи с этим данная статья рассматривает создание алгоритма обработки снимков компьютерного томографа легких человека с помощью программного обеспечения. Ведущим методом к исследованию данной проблемы являются нейронные сети. В статье представлена сверточная нейросетевая модель Сhexnet обработки рентгеновских снимков, разработанная учеными из стэнфордского университета. Рассмотрен алгоритм разработки механизма анализа снимков на основе современных рентгеновских снимков органов – снимков компьютерной томографии, которые получают с помощью сложного программно–технического комплекса, имеющего сверхчувствительные детекторы для регистрации рентгеновского излучения, а также обширный пакет программного обеспечения, позволяющий получить снимки с высоким пространственным разрешением. Разработанный алгоритм реализован на основе сверточной сети Densenet, глубина которой составляет 201 слой. В него были внесены изменения в виде применения функции активации ReLU (сокращение от англ. reсtified linear unit), которая позволяет существенно ускорить процесс обучения и одновременно с этим значительно упростить вычисления. Как результат, разработанная сверточная нейронная сеть помогает непрерывности сбора данных, что позволяет совершенствовать процесс принятия стратегических решений, разрабатывать программы действий в области общественного здравоохранения.
Ключевые слова: компьютерная обработка изображений, сверточная нейронная сеть, densenet, карта признаков, функция активации relu, диагностика заболеваний
Для цитирования: Васильченко В.А., Бурковский В.Л. Повышение качества и оперативности идентификации специальных состояний мониторируемых объектов на основе разработки математического и программного обеспечения обработки компьютерных изображений с использованием больших баз данных. Моделирование, оптимизация и информационные технологии. 2020;8(2). URL: https://moit.vivt.ru/wp-content/uploads/2020/05/VasilchenkoBurkovsky_2_20_2.pdf DOI: 10.26102/2310-6018/2020.29.2.030
Опубликована 30.06.2020