РОЗПІЗНАВАННЯ СТУПЕНЮ ОПІКІВ ШКІРИ З ВИКОРИСТАННЯМ ЗГОРТКОВИХ НЕЙРОННИХ МЕРЕЖ
PDF

Ключові слова

згорткові нейронні мережі (CNN)
цифрові зображення
класифікація
розпізнавання образів
модель

Як цитувати

Рубан, Ю., & Якимчук, В. (2019). РОЗПІЗНАВАННЯ СТУПЕНЮ ОПІКІВ ШКІРИ З ВИКОРИСТАННЯМ ЗГОРТКОВИХ НЕЙРОННИХ МЕРЕЖ. Молодий вчений, 11 (75), 158-162. https://doi.org/10.32839/2304-5809/2019-11-75-36

Анотація

Останнім часом архітектура згорткових нейронних мереж (ЗНН, CNN) – є найсучаснішою альтернативою стандартним методам класифікації та успішно використовується для аналізу цифрових зображень. Здатність багатошарових згорткових нейронних мереж, до побудови складних багатовимірних систем на основі велокої кількості навчальних прикладів, дозволяє застосовувати їх у якості класифікатора для розпізнавання образів. У дослідженні запропоновано інтегрувати архітектуру CNN для створення технології розпізнавання опіків із цифрових зображень різних частин тіла пацієнтів. Метою даної роботи є навчання та побудова нейронної мережі (системи або технології), яка буде здатна розпізнавати ступінь опіку на зображенні, що подається на вхід системі/моделі. Набір даних для аналізу було власноруч підготовлено, шляхом збору зображень з відкритих джерел, таких, як: Healthcare.ai, Subreddit, Kaggle. Результати проведеного дослідження показали доцільність запропонованого методу для аналізу цифрових зображень опіків людини. Отриману навчену нейронну мережу (далі – модель) можна використовувати у медичних закладах для покращення та пришвидшення процесу визначення ступеню опіків. Використання запропонованої моделі підвищить статистичні результати точності аналізу ступеня пошкоджених тканин та буде корисним під час імплементації системи у дистанційне лікування. Застосування лікарями цієї технології класифікації ступеню опіків додало впевненності у прийнятті відповідного медичного рішення та встановлення правильного діагнозу.

https://doi.org/10.32839/2304-5809/2019-11-75-36
PDF

Посилання

Vons B.V. Market analysis of semisolid dosage forms registered in Ukraine and research of excipients included to their formulas. Фармацевтичний часопис. 2015. №1. С. 55–61.

Ameriburn.org, «Burn Incident Fact Sheet». URL: https://ameriburn.org/who-we-are/media/burn-incidence-fact-sheet/ (дата звернення: 20.10.2019).

Tran, Hai & Le, Thai & Nguyen, Thuy. The Degree of Skin Burns Images Recognition using Convolutional Neural Network. Indian Journal of Science and Technology, 2016. URL: shorturl.at/am249 (дата звернення: 11.10.2019).

Russakovsky, O., Deng, J., Su, H. et al. Int J Comput Vis, 2015 115: 211. URL: https://doi.org/10.1007/s11263-015-0816-y (дата звернення: 15.11.2019).

Николенко Сергей, Кадурин Артур, Архангельская Екатерина. Глубокое обучение. «Издательский дом «Питер», Oct. 26, 2017. Computers. C. 60–68.

Vons, B.V. (2015). Market analysis of semisolid dosage forms registered in Ukraine and research of excipients included to their formulas. Farmacevtychnyi Chasopys, no. 1, рр. 55–61. (in Ukrainian)

Ameriburn.org, «Burn Incident Fact Sheet». URL: https://ameriburn.org/who-we-are/media/burn-incidence-fact-sheet/ (accessed: 20.10.2019).

Tran, Hai & Le, Thai & Nguyen, Thuy (2016). The Degree of Skin Burns Images Recognition using Convolutional Neural Network. Indian Journal of Science and Technology. URL: shorturl.at/am249 (accessed: 11.10.2019).

Russakovsky, O., Deng, J., Su, H. et al. Int J Comput Vis (2015). 115: 211. URL: https://doi.org/10.1007/s11263-015-0816-y (accessed 15.11.2019).

Nikolenko, S., Kadurin, A., & Arkhangelskaya, E. (Oct. 26, 2017). Glubokoe Obuchenie [Deep Learning]. Izdateskyi Dom Piter, рр. 60–68. (in Russian)