1. Tijana Geroski, University of Kragujevac, Faculty of Engineering, Serbia
2. Ognjen Pavić, Institute for Information Technologies Kragujevac, Serbia
3. Lazar Dašić, Institute for Information Technologies Kragujevac, Serbia
4. Marina Petrović, University Clinical Centre Kragujevac, Serbia
5. Dragan Milovanović, University Clinical Centre Kragujevac, Serbia
6. Ненад Филиповић, Универзитет у Крагујевцу, Serbia
Машинско учење има способност откривања значајних и скривених веза у скупу података и налази велику примену у клиничкој дијагностици, лечењу и предвиђању развоја болести. Као улазни подаци најчешће се користе медицинске слике са магнетне резонанце (MRI), компјутерске томографије (CT) или рендгена (X-ray). Стандардна медицинска процедура, која користи мануелну анотацију од стране доктора експерта, показала је велику варијабилност и лошу поновљивост. Овај рад приказује неколико примера примене дубоког учења, као подобласти машинског учења, у аутоматизацији процеса анализе медицинских слика, скраћењу времена за дијагностиковање, као и обезбеђивање велике тачности и поновљивости резултата. У области кардиоваскуларних болести, у оквиру пројекта SILICOFCM (https://silicofcm.eu/) извршeнo je издвајање карактеристичних геометријских параметара срца на ултразвучним снимцима за потребе ране детекције кардиомиопатије. У области неурохирургије, пример примене дубоког учења је сегментација и класификација нивоа и стране дискус херније на основу MRI снимака, коришћењем конволуционих неуронских мрежа U-net, AlexNet, ResNet5, VGG16 итд. У области пулмологије, дубоко учење се користи за потребе детекције плућних болести на рендген снимцима, што се реализује у оквиру пројекта SoftLungX (http://softlungx.bioirc.ac.rs/).
Кључне речи :
Тематска област:
Датум:
15.08.2023.
Contemporary Materials 2023 - Savremeni materijali
Датотека уз рад
(47.34 KB)
