Остання редакція: 2024-04-24
Анотація
У даному дослідженні проведено порівняльний аналіз ефективності різних моделей нейромереж для завдання сегментації мозкових уражень на зображеннях з магнітно-резонансної томографії (МРТ). Використовуючи моделі зглиблених нейронних мереж (DNN), U-Net (модифікована CNN для сегментації), рекурентні нейронні мережі (RNN), було проведено дослідження з точності, швидкодії, витрат ресурсів та стійкості до змін у даних. Результати дослідження вказують на найбільш ефективну модель для даної задачі.
COMPARISON OF RECOGNITION EFFICIENCY OF NEURAL NETWORK MODELS FOR MRI
Abstract:
In this study, a comparative analysis of the effectiveness of different neural network models for the task of segmenting brain lesions on magnetic resonance imaging (MRI) images was performed. Using Deep Neural Networks (DNN), U-Net (a modified CNN for segmentation), Recurrent Neural Networks (RNN), research was conducted on accuracy, speed, resource consumption, and robustness to data changes. The research results indicate the most effective model for this task.
Ключові слова
Посилання
- Attention is All You Need. In Advances in Neural Information Processing Systems. Cornell University. URL: https://arxiv.org/abs/1706.03762.LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444 https://www.scirp.org/reference/referencespapers?referenceid=1911084
- Comparative Study of Deep Learning Models for Medical Image Segmentation. ResearchGate. URL: https://www.researchgate.net/publication/321479251_A_comparative_study_of_deep_learning_models_for_medical_image_classification
- A Comparative Analysis of Deep Learning Architectures for Medical Image Segmentation https://iopscience.iop.org/article/10.1088/1757-899X/263/4/042097\
- LeCun, Y., Bengio, Y. and Hinton, G. (2015) Deep Learning. Nature, 521, 436-444. - References - Scientific Research Publishing. SCIRP Open Access. URL: https://www.scirp.org/reference/referencespapers?referenceid=1911084 (date of access: 19.04.2024).
- LeCun, Y., Bengio, Y. and Hinton, G. (2015) Deep Learning. Nature, 521, 436-444. - References - Scientific Research Publishing. SCIRP Open Access. URL: https://www.scirp.org/reference/referencespapers?referenceid=1911084 (date of access: 19.04.2024).
- Olaf Ronneberger, Philipp Fischer, Thomas Brox (2015) U-Net: Convolutional Networks for Biomedical Image Segmentation. arXiv.org. URL: https://arxiv.org/abs/1505.04597.