Разработка и исследование алгоритма выращивания регионов для сегментации медицинских данных

Манаков, Роман Отделение информационных технологий (ОИТ)
Бесплатно
В избранное
Работа доступна по лицензии Creative Commons:«Attribution» 4.0

Алгоритм выращивания регионов, в основе которого заложена идея Region Growing, отличающаяся от существующих применением многоразмерных суперпикселей и построением сплайн-контура.

Введение ……………………………………………………………………………………………………… 11
1. Обзор литературы ………………………………………………………………………………….. 14
2. Содержательная и концептуальная постановки задачи ……………………………. 18
3. Математическая модель алгоритма ………………………………………………………… 20

3.1 Предобработка изображений ……………………………………………………………….. 20
3.2 Модель сегментации ……………………………………………………………………………. 21
3.3 Размещение первого суперпикселя ………………………………………………………. 22
3.4 Поиск внешних суперпикселей ……………………………………………………………. 24
3.5 Построение сплайн-контура ………………………………………………………………… 24
3.6 Детектирование границ ……………………………………………………………………….. 28
3.7 Методы принятия коллективных решений …………………………………………… 29

4. Программная реализация ……………………………………………………………………….. 31

4.1 Выбор среды разработки ……………………………………………………………………… 31
4.2 Интерфейс и особенности программной реализации ……………………………. 32

5. Тестирование …………………………………………………………………………………………. 35

5.1 Метрики оценки точности……………………………………………………………………. 35
5.2 Материалы ……………………………………………………………………………………….. 36

6. Результаты……………………………………………………………………………………………….. 38

6.1 Точность алгоритма …………………………………………………………………………….. 38
6.2 Скорость выполнения алгоритма …………………………………………………………. 42

7. Обсуждение результатов ………………………………………………………………………….. 45
8. Финансовый менеджмент, ресурсоэффективность и ресурсосбережение … 49

8.1 Предпроектный анализ ………………………………………………………………………… 49
8.2 SWOT-анализ………………………………………………………………………………………. 52
8.3 Планирование управлением научно-технических проектом …………………. 57
8.4 Бюджет научно-технического исследования ………………………………………… 63
8.5 Реестр рисков ………………………………………………………………………………………. 70
8.6 Общий вывод по разделу……………………………………………………………………… 74

9. Социальная ответственность ………………………………………………………………….. 76

9.1 Повышенный уровень шума на рабочем месте …………………………………….. 78
9.2 Отклонение показателей микроклимата ……………………………………………….. 79
9.3 Недостаточная освещённость рабочей зоны …………………………………………. 81
9.4 Экологическая безопасность………………………………………………………………… 88
9.5 Безопасность в чрезвычайных ситуациях …………………………………………….. 89
9.6 Статические физические перегрузки ……………………………………………………. 91

Заключение …………………………………………………………………………………………………. 96
Список использованных источников ……………………………………………………………. 97
Приложение A …………………………………………………………………………………………… 101
Приложение Б ……………………………………………………………………………………………. 112

Современная цифровая медицина является востребованным направлением,
которое в будущем позволит вывести здравоохранение на принципиально новый
уровень развития. Однако, в тоже время внедрение качественных
информационных систем в медицинскую практику нетривиально и требует
решения множества сложнейших задач по обработке медицинской информации.
Одной из таких задач является обработка различного рода графической
информации: результаты исследования МРТ (магнитно-резонансной
томографии), снимки КТ (компьютерной томография), а также ультразвуковые
данные эхокардиографии.
Очевидно, что анализ графической информации начинается с выделения
на изображении интересующей области и определения её границ. Этот процесс
называется сегментацией. Сегментация необходима для локализации
интересующих объектов на изображениях. В контексте медицины это могут быть
различные анатомические структуры, ткани, элементы опорно-двигательной
системы, а также хирургические инструменты, находящиеся внутри тела
человека при проведении малоинвазивных операций. По результату сегментации
можно определить размеры и площадь сегментированных участков, выявить
отклонение от нормы и поставить правильный диагноз.
Таким образом, задача сегментации медицинских изображений
представляется достаточно неординарной и требует применения нестандартных
методов для её решения. В отличие от других областей, где данные чисты и
хорошо структурированы, медицинские данные очень разнородны,
неоднозначны, неполны и сильно зашумлены. Это является главной проблемой,
которая в зачастую приводит к нестабильной работе обычных методов
сегментации. Уже разработаны методы, которые позволяют частично решить
описанные выше проблемы. Работа таких методу сводится к статистическому
анализу суперпикселей. Под суперпикселями понимается группа пикселей,
объединённых по какому-либо признаку. Однако, недостатком таких подходов
является высокая сложность алгоритма, что приводит к большому времени
выполнения. В данной работе предлагается новый подход, основанный на
суперпиксельной обработке, который позволяет увеличить надёжность
алгоритма и повысить его скорость, путём снижения асимптотической
сложности алгоритма.
Целью данной работы, является разработка, реализация и исследование
алгоритма сегментации медицинских данных, в основе которого лежит принцип
выращивания регионов для повышения надёжности и скорости разработанного
метода. Для достижения цели необходимо решить следующий перечень задач:

В ходе выполнения выпускной квалификационной работы был разработан
метод выращивания регионов для сегментации медицинских данных. Сделана
реализация метода и проведено его тестирование. Исследовано поведение
алгоритма и влияние основных параметров: размеры начального и
минимального суперпикселя на скорость и точность сегментации. Исследовано
влияние этих размеров на стабильность работы алгоритма. Произведено
сравнение разработанного алгоритма с классическим алгоритмом выращивания
регионов.
Для этого был проведён анализ литературы, разработана концепция
выращивания региона суперпикселями, выбрана среда для разработки и написан
исходный код алгоритма. Далее проведена отладка и тестирование.
Тестирование разработанного алгоритма показало среднюю точность
94±2% и 93.5±6.7% на двух выборках изображений. Реализация алгоритма
позволила достичь большей устойчивости и стабильности, чем у алгоритма
“Region Growing”. По скорости сегментации классический алгоритм также
значительно уступает.
Достигнутые показатели не являются предельными для данной разработки.
Разработанный алгоритм, в связи с предложенной архитектурой, может быть
модифицирован за счёт:
 применения большего количества методов для детектирования
границ;
 использования новых методов коллективного принятия решений;
 реализация алгоритма с применением параллельных вычислений;
 масштабирование алгоритма для сегментации трёхмерных данных.

Заказать новую

Лучшие эксперты сервиса ждут твоего задания

от 5 000 ₽

Не подошла эта работа?
Закажи новую работу, сделанную по твоим требованиям

    Нажимая на кнопку, я соглашаюсь на обработку персональных данных и с правилами пользования Платформой

    Хочешь уникальную работу?

    Больше 3 000 экспертов уже готовы начать работу над твоим проектом!

    Антон П. преподаватель, доцент
    4.8 (1033 отзыва)
    Занимаюсь написанием студенческих работ (дипломные работы, маг. диссертации). Участник международных конференций (экономика/менеджмент/юриспруденция). Постоянно публик... Читать все
    Занимаюсь написанием студенческих работ (дипломные работы, маг. диссертации). Участник международных конференций (экономика/менеджмент/юриспруденция). Постоянно публикуюсь, имею высокий индекс цитирования. Спикер.
    #Кандидатские #Магистерские
    1386 Выполненных работ
    Мария А. кандидат наук
    4.7 (18 отзывов)
    Мне нравится изучать все новое, постоянно развиваюсь. Могу написать и диссертацию и кандидатскую. Есть опыт в различных сфера деятельности (туризм, экономика, бухучет... Читать все
    Мне нравится изучать все новое, постоянно развиваюсь. Могу написать и диссертацию и кандидатскую. Есть опыт в различных сфера деятельности (туризм, экономика, бухучет, реклама, журналистика, педагогика, право)
    #Кандидатские #Магистерские
    39 Выполненных работ
    Анна Александровна Б. Воронежский государственный университет инженерных технол...
    4.8 (30 отзывов)
    Окончила магистратуру Воронежского государственного университета в 2009 г. В 2014 г. защитила кандидатскую диссертацию. С 2010 г. преподаю в Воронежском государственно... Читать все
    Окончила магистратуру Воронежского государственного университета в 2009 г. В 2014 г. защитила кандидатскую диссертацию. С 2010 г. преподаю в Воронежском государственном университете инженерных технологий.
    #Кандидатские #Магистерские
    66 Выполненных работ
    Татьяна П. МГУ им. Ломоносова 1930, выпускник
    5 (9 отзывов)
    Журналист. Младший научный сотрудник в институте РАН. Репетитор по английскому языку (стаж 6 лет). Также знаю французский. Сейчас занимаюсь написанием диссертации по и... Читать все
    Журналист. Младший научный сотрудник в институте РАН. Репетитор по английскому языку (стаж 6 лет). Также знаю французский. Сейчас занимаюсь написанием диссертации по истории. Увлекаюсь литературой и темой космоса.
    #Кандидатские #Магистерские
    11 Выполненных работ
    Дарья Б. МГУ 2017, Журналистики, выпускник
    4.9 (35 отзывов)
    Привет! Меня зовут Даша, я окончила журфак МГУ с красным дипломом, защитила магистерскую диссертацию на филфаке. Работала журналистом, PR-менеджером в международных ко... Читать все
    Привет! Меня зовут Даша, я окончила журфак МГУ с красным дипломом, защитила магистерскую диссертацию на филфаке. Работала журналистом, PR-менеджером в международных компаниях, сейчас работаю редактором. Готова помогать вам с учёбой!
    #Кандидатские #Магистерские
    50 Выполненных работ
    Анастасия Л. аспирант
    5 (8 отзывов)
    Работаю в сфере метрологического обеспечения. Защищаю кандидатскую диссертацию. Основной профиль: Метрология, стандартизация и сертификация. Оптико-электронное прибост... Читать все
    Работаю в сфере метрологического обеспечения. Защищаю кандидатскую диссертацию. Основной профиль: Метрология, стандартизация и сертификация. Оптико-электронное прибостроение, управление качеством
    #Кандидатские #Магистерские
    10 Выполненных работ
    Александра С.
    5 (91 отзыв)
    Красный диплом референта-аналитика информационных ресурсов, 8 лет преподавания. Опыт написания работ вплоть до докторских диссертаций. Отдельно специализируюсь на повы... Читать все
    Красный диплом референта-аналитика информационных ресурсов, 8 лет преподавания. Опыт написания работ вплоть до докторских диссертаций. Отдельно специализируюсь на повышении уникальности текста и оформлении библиографических ссылок по ГОСТу.
    #Кандидатские #Магистерские
    132 Выполненных работы
    user1250010 Омский государственный университет, 2010, преподаватель,...
    4 (15 отзывов)
    Пишу качественные выпускные квалификационные работы и магистерские диссертации. Опыт написания работ - более восьми лет. Всегда на связи.
    Пишу качественные выпускные квалификационные работы и магистерские диссертации. Опыт написания работ - более восьми лет. Всегда на связи.
    #Кандидатские #Магистерские
    21 Выполненная работа
    Родион М. БГУ, выпускник
    4.6 (71 отзыв)
    Высшее экономическое образование. Мои клиенты успешно защищают дипломы и диссертации в МГУ, ВШЭ, РАНХиГС, а также других топовых университетах России.
    Высшее экономическое образование. Мои клиенты успешно защищают дипломы и диссертации в МГУ, ВШЭ, РАНХиГС, а также других топовых университетах России.
    #Кандидатские #Магистерские
    108 Выполненных работ

    Другие учебные работы по предмету

    Кооперативные игры на гиперграфах
    📅 2019год
    🏢 Санкт-Петербургский государственный университет