Вісники та науково-технічні збірники, журнали
Permanent URI for this communityhttps://ena.lpnu.ua/handle/ntb/12
Browse
Search Results
Item Синтез біомедичних зображень на підставі генеративно-змагальних мереж(Видавництво Львівської політехніки, 2019-09-26) Березький, О. М.; Лящинський, П. М.; Лящинський, П. М.; Сухович, А. Р.; Долинюк, Т. М.; Berezsky, O. M.; Liashchynskyi, P. B.; Liashchinskyi, P. B.; Sukhovych, A. R.; Dolynyuk, T. M.; Тернопільський національний університет; Ternopil National UniversityДосліджено сучасні бази даних біомедичних зображень. Показано, що отримання біомедичних зображень є дорогим і тривалим. Розроблено базу даних зображень передракових і ракових станів молочної залози "BPCI2100". База даних складається із 2100 файлів зображень та MySQL бази даних інформації медичних досліджень (інформація про пацієнта та ознаки зображення). З'ясовано, що ефективним засобом генерування зображень є генеративно-змагальні мережі. Розроблено архітектуру генеративно-змагальної мережі, яка складається із генератора та дискримінатора. Дискримінатором є глибока згорткова нейромережа, на вхід якої надходять кольорові зображення розміром 128×128 пікселів. Ця мережа складається з шести згорткових шарів із розміром вікна 5×5 пікселів. Використано функцію активації типу Leaky ReLU для згорткових шарів. Для останнього шару використано сигмоїдну функцію активації. Генератором є нейромережа, яка складається з повнозв'язного шару та семи деконволюційних шарів з розміром вікна 5×5 пікселів. Для всіх шарів використано функцію активації Leaky ReLU. Останній шар використовує функцію активації гіперболічний тангенс. Для навчання генеративно-змагальної мережі використано засоби Google Cloud Compute Instance. Проведено генерування гістологічних і цитологічних зображень на підставі генеративно-змагальної мережі. Внаслідок значно збільшено навчальну вибірку для класифікаторів. Оригінальні гістологічні зображення поділені на 5 класів, цитологічні зображення – на 4 класи. Розмір оригінальної вибірки для гістологічних зображень становить 91 зображення, для цитологічних - 78 зображень. Навчальні вибірки було розширено до 1000 зображень шляхом афінних перетворень (зсув, масштабування, поворот, відображення). Навчання класифікатора на оригінальній вибірці дало точність ≈84 % для гістологічних та ≈75 % для цитологічних зображень. На вибірці зі згенерованих зображень вихідна точність класифікації становить ≈96,5 % для гістологічних та ≈95,5 для цитологічних зображень. Приріст точності становить ≈12 % для гістологічних та ≈20,5 % для цитологічних зображень. Проведена класифікація гістологічних і цитологічних зображень показала, що приріст точності класифікації становить ≈12 % для гістологічних та ≈20,5 % для цитологічних зображень. Комп'ютерні експерименти показали, що тривалість навчання генеративно-змагальної мережі для гістологічних зображень становить ≈9 год, для цитологічних- ≈8,5 год. Перспективами подальших досліджень є розпаралелення алгоритмів навчання генеративно-змагальних мереж.