Глубокое обучение в задаче ранней диагностики деменции

Читать фрагмент

книга

Глубокое обучение в задаче ранней диагностики деменции

Автор: Петр Пылов, Роман Майтак, Андрей Протодьяконов

Исследовано применение методов глубокого обучения в контексте ранней диагностики заболевания Альцгеймера. Рассматриваются основные способы мониторинга заболевания, известные на сегодняшний день в медицине. Излагаются методы и инструменты глубокого обучения, с помощью которых можно автоматизировать процесс определения диагноза на самых ранних стадиях. Программный код реализован на популярном языке программирования Python, поэтому любой желающий сможет запустить проект на своем собственном персональном компьютере.Для специалистов прикладной сферы анализа данных. Может быть полезно студентам и сотрудникам высших технических учебных заведений.

Форматы: PDF

Издательство: Инфра-Инженерия

Год: 2024

Место издания: Москва, Вологда

ISBN: 978-5-9729-2042-6

Страниц: 108

Артикул: 117657

Электронная книга

950 ₽

Купить и скачать

Содержание

Содержание книги "Глубокое обучение в задаче ранней диагностики деменции "

Введение

Раздел 1. АНАЛИТИКА ТОМОГРАФИЧЕСКИХ МЕДИЦИНСКИХ ИЗОБРАЖЕНИЙ АЛГОРИТМАМИ ГЛУБОКОГО ОБУЧЕНИЯ

1.1. Индуцированные локальные воздействия на основе магнитного резонанса и их значимость в прикладной медицинской сфере

1.2. Параметрическое исследование томографических медицинских снимков

1.3. Глубокое обучение как способ векторизации и анализа томографических изображений

1.4. Цель и задачи исследования

Резюме по первому разделу

Раздел 2. РЕАЛИЗАЦИЯ ОПТИМАЛЬНОГО ПРОГРАММНОГО РЕШЕНИЯ НА ОСНОВЕ СОПОСТАВЛЕНИЯ ТОЧНОСТИ РАЗЛИЧНЫХ МОДЕЛЕЙ ГЛУБОКИХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРЕВЕНТИВНОЙ ДЕТЕКЦИИ ДЕМЕНЦИИ

2.1. Модель сверточной нейронной сети в задаче анализа снимков МРТ

2.2. Модель остаточной нейронной сети в задаче анализа изображений

2.3. Выбор наилучшей архитектуры модели глубокого обучения

Резюме по второму разделу

Раздел 3. НЕЗАВИСИМАЯ ОЦЕНКА И ВАЛИДАЦИЯ РАЗРАБОТАННОГО ПРОГРАММНОГО РЕШЕНИЯ

3.1. Исследование параметров полноты решения прикладной задачи моделью сверточной нейронной сети на основе тестовой выборки

3.2. Оценка прикладной точности разработанного решения на отложенной выборке данных

3.3. Сопоставление тестовой и валидационной точности модели сверточной нейронной сети

Резюме по третьему разделу

Заключение

Библиографический список

Отрывок из книги

30 ɉɪɟɠɞɟɜɫɟɝɨɧɟɨɛɯɨɞɢɦɨɭɫɬɚɧɨɜɢɬɶɪɢɫɭɧɨɤɢɩɨɞɤɥɸɱɢɬɶɪɢɫɭɧɨɤɜɫɩɨɦɨɝɚɬɟɥɶɧɵɟɛɢɛɥɢɨɬɟɤɢɤɨɬɨɪɵɟɪɚɫɲɢɪɹɸɬɫɬɚɧɞɚɪɬɧɵɟɜɨɡɦɨɠɧɨɫɬɢɹɡɵɤɚɩɪɨɝɪɚɦɦɢɪɨɜɚɧɢɹ3\WKRQ x NumPy (Numeric Python) – ɦɨɞɭɥɶ ɩɪɟɞɨɫɬɚɜɥɹɸɳɢɣ ɜɵɫɨɤɨɭɪɨɜ- ɧɟɜɵɣɩɚɤɟɬɨɛɳɢɯɱɢɫɥɨɜɵɯɢɦɚɬɟɦɚɬɢɱɟɫɤɢɯɨɩɟɪɚɰɢɣɋɨɞɟɪɠɢɬɛɚɡɨɜɵɟɦɟɬɨɞɵɞɥɹɪɚɛɨɬɵɫɛɨɥɶɲɢɦɢɦɚɫɫɢɜɚɦɢɢɦɚɬɪɢɰɚɦɢ x Pandas – ɦɨɞɭɥɶ ɤɨɬɨɪɵɣ ɹɜɥɹɟɬɫɹ ɚɪɯɢɬɟɤɬɭɪɧɨɣ ɧɚɞɫɬɪɨɣɤɨɣ ɧɚɞɛɢɛɥɢɨɬɟɤɨɣ1XP3\ ɢɪɚɫɲɢɪɹɟɬɟɟ ɜɨɡɦɨɠɧɨɫɬɢɞɥɹɛɨɥɟɟɭɞɨɛɧɨɝɨɨɩɟɪɢɪɨɜɚɧɢɹɱɢɫɥɨɜɵɦɢɬɚɛɥɢɰɚɦɢɜɪɟɦɟɧɧɵɦɢɪɹɞɚɦɢ x TensorFlow – ɷɬɨ ɨɬɤɪɵɬɚɹ ɩɪɨɝɪɚɦɦɧɚɹ ɛɢɛɥɢɨɬɟɤɚ ɞɥɹ ɦɚɲɢɧɧɨɝɨɨɛɭɱɟɧɢɹ ɪɚɡɪɚɛɨɬɚɧɧɚɹ ɤɨɦɩɚɧɢɟɣ *RRJOH ɞɥɹ ɪɟɲɟɧɢɹ ɡɚɞɚɱ ɩɨɫɬɪɨɟɧɢɹ ɢ ɬɪɟɧɢɪɨɜɤɢ ɧɟɣɪɨɧɧɨɣ ɫɟɬɢ ɫ ɰɟɥɶɸ ɚɜɬɨɦɚɬɢɱɟɫɤɨɝɨ ɧɚ-ɯɨɠɞɟɧɢɹɢɤɥɚɫɫɢɮɢɤɚɰɢɢɨɛɪɚɡɨɜɞɨɫɬɢɝɚɹɤɚɱɟɫɬɜɚɱɟɥɨɜɟɱɟɫɤɨɝɨɜɨɫɩɪɢɹɬɢɹ; x OpenCV ɬɚɤɠɟ ɢɦɟɧɭɟɦɚɹ ɤɚɤ ©cv2ª– ɷɬɨ ɛɢɛɥɢɨɬɟɤɚ ɚɥɝɨɪɢɬɦɨɜɤɨɦɩɶɸɬɟɪɧɨɝɨɡɪɟɧɢɹɨɛɪɚɛɨɬɤɢɢɡɨɛɪɚɠɟɧɢɣɢɱɢɫɥɟɧɧɵɯɚɥɝɨɪɢɬɦɨɜ ɨɛɳɟɝɨ ɧɚɡɧɚɱɟɧɢɹ ɫ ɨɬɤɪɵɬɵɦ ɤɨɞɨɦ Ɋɟɚɥɢɡɨɜɚɧɚ ɧɚ &&ɬɚɤɠɟ ɪɚɡɪɚɛɚɬɵɜɚɟɬɫɹ ɞɥɹ 3\WKRQ -DYD 5XE\ 0DWODE /XD ɢ ɞɪɭɝɢɯɹɡɵɤɨɜ; x Itertools – ɷɬɨ ɦɨɞɭɥɶ ɩɨɡɜɨɥɹɸɳɢɣ ɫɬɚɧɞɚɪɬɢɡɢɪɨɜɚɬɶ ɨɫɧɨɜɧɨɣ ɧɚɛɨɪ ɷɮɮɟɤɬɢɜɧɵɯ ɩɨ ɩɚɦɹɬɢ ɢɧɫɬɪɭɦɟɧɬɨɜ ɤɨɬɨɪɵɟ ɩɨɥɟɡɧɵ ɫɚɦ ɩɨ ɫɟɛɟ ɢɥɢ ɜ ɫɜɹɡɤɟ ɫ ɞɪɭɝɢɦɢ ɢɧɫɬɪɭɦɟɧɬɚɦɢ ȼɦɟɫɬɟ ɨɧɢ ɮɨɪɦɢ- ɪɭɸɬ ©ɚɥɝɟɛɪɭ ɢɬɟɪɚɬɨɪɨɜª ɤɨɬɨɪɚɹ ɩɨɡɜɨɥɹɟɬ ɛɨɥɟɟ ɥɚɤɨɧɢɱɧɨ ɫɨɡ- ɞɚɜɚɬɶɫɩɟɰɢɚɥɢɡɢɪɨɜɚɧɧɵɟɢɧɫɬɪɭɦɟɧɬɵɧɚɱɢɫɬɨɦ3\WKRQ; x Imblearn – ɷɬɨɧɚɛɨɪɦɟɬɨɞɨɜɩɪɢɩɨɦɨɳɢɤɨɬɨɪɵɯɦɨɠɧɨɫɝɟɧɟɪɢ-ɪɨɜɚɬɶɧɚɛɨɪɞɚɧɧɵɯɫɪɚɜɧɵɦɫɨɨɬɧɨɲɟɧɢɟɦɤɥɚɫɫɨɜ x Sklearn (Scikit-Learn) – ɦɨɞɭɥɶ ɩɪɟɞɧɚɡɧɚɱɟɧɧɵɣ ɞɥɹ ɲɢɪɨɤɨɝɨɤɥɚɫɫɚ ɡɚɞɚɱ ɪɚɡɪɟɲɚɟɦɵɯ ɜ ɦɚɲɢɧɧɨɦ ɨɛɭɱɟɧɢɢ ɨɬ ɩɨɫɬɪɨɟɧɢɹ ɦɨ- ɞɟɥɟɣ ɢɯ ɨɛɭɱɟɧɢɹ ɢ ɬɟɫɬɢɪɨɜɚɧɢɹ ɞɨ ɨɰɟɧɤɢ ɪɟɡɭɥɶɬɚɬɨɜ ɬɨɱɧɨɫɬɢ ɢɯɮɭɧɤɰɢɨɧɢɪɨɜɚɧɢɹɜɩɪɢɤɥɚɞɧɵɯɡɚɞɚɱɚɯ ɉɪɨɢɡɜɨɞɢɦ ɭɫɬɚɧɨɜɤɭ ɧɟɨɛɯɨɞɢɦɵɯ ɩɪɨɝɪɚɦɦɧɵɯ ɛɢɛɥɢɨɬɟɤ ɱɟɪɟɡ ɢɧɬɟɪɮɟɣɫɤɨɦɚɧɞɧɨɣɫɬɪɨɤɢɪɢɫɭɧɨɤ

Внимание!
При обнаружении неточностей или ошибок в описании книги "Глубокое обучение в задаче ранней диагностики деменции (автор Петр Пылов, Роман Майтак, Андрей Протодьяконов)", просим Вас отправить сообщение на почту help@directmedia.ru. Благодарим!

Глубокое обучение в задаче ранней диагностики деменции

Содержание

Отрывок из книги

другие книги автора

С книгой "Глубокое обучение в задаче ранней диагностики деменции" читают