Anastasia Karliuk - Academia.edu (original) (raw)
Uploads
Papers by Anastasia Karliuk
Brain tumor is a relatively severe human disease type. Its timely diagnosis and tumor type defini... more Brain tumor is a relatively severe human disease type. Its timely diagnosis and tumor type definition are an actual task in modern medicine. Lately, the segmentation methods on 3D brain images (like computer and magnetic resonance tomography) are used for definition of a certain tumor type. Nevertheless, the segmentation is usually conducted manually, which requires a lot of time and depends on the experience of a doctor. This paper looks at the possibility of creating a method for the automatic segmentation of images. As a training sample, the medical database of MRI brain tomography with three tumor types (meningioma, glioma, and pituitary tumor) was taken. Taking into account the different slices, the base had: 708 examples of meningioma, 1426 examples of glioma, and 930 examples of pituitary tumor. The database authors marked the regions of interest on each image, which were used as a tutor (supervised learning) for automatic segmentation model. Before model creation, currently ...
Біомедична інженерія і технологія, 2020
Кафедра біомедичної кібернетики Національного технічного університету України «Київський політехн... more Кафедра біомедичної кібернетики Національного технічного університету України «Київський політехнічний інститут імені Ігоря Сікорського», м. Київ, Україна Реферат-Дана робота розглядає використання методів текстурного аналізу для отримання інформативних ознак, які описують текстуру медичних зображень. Для дослідження було взято 317 знімків ультразвукового дослідження печінки (як у здорових людей, так і у людей з різними патологіями, такими як: аутоімунний гепатит, хвороба Вільсона, гепатит В і С, стеатоз і цироз), за якими і були отримані інформативні ознаки; також було взято 3064 зображення магнітно-резонансної томографії мозку (де зображені три типи пухлин, таких як: менінгіома, гліома та пухлина гіпофізу), на яких були застосовані отримані ознаки, щоб перевірити їх універсальність. Ультразвукові знімки печінки були надані Інститутом ядерної медицини та променевої діагностики НАМН України, в той час як знімки магнітно-резонансної томографії мозку були взяті з онлайн джерела. В результаті дослідження було отримано більше 100 інформативних ознак різного роду, які успішно класифікують як ультразвукові зображення печінки, так і знімки магнітно-резонансної томографії мозку. Для класифікації зображень був застосований один із найбільш популярних методів машинного навчання-«Випадковий ліс класифікації». Для задачі захворювань печінки було отримано 3 моделі Випадкового лісу окремо під кожний тип ультразвукового датчику, які успішно класифікують 2 класи («норма» і «патологія»). Перед їх отриманням загальну вибірку було розбито на навчальну (для навчання моделей), тестову (для підбору оптимальних параметрів налаштування Випадкового лісу) і екзаменаційну (для об'єктивної оцінки отриманих моделей). На загальній вибірці точність розпізнавання отриманих моделей варіюється від 92% до 92.9%. В задачі ж пухлин мозку, оскільки класів було 3, то було побудовано 3 моделі Випадкового лісу під окремі задачі «Одна пухлина проти всіх», а також 1 модель під мультикласову задачу. Точність моделей на екзаменаційній вибірці (10%) варіюється від 84% до 93.8% .
Brain tumor is a relatively severe human disease type. Its timely diagnosis and tumor type defini... more Brain tumor is a relatively severe human disease type. Its timely diagnosis and tumor type definition are an actual task in modern medicine. Lately, the segmentation methods on 3D brain images (like computer and magnetic resonance tomography) are used for definition of a certain tumor type. Nevertheless, the segmentation is usually conducted manually, which requires a lot of time and depends on the experience of a doctor. This paper looks at the possibility of creating a method for the automatic segmentation of images. As a training sample, the medical database of MRI brain tomography with three tumor types (meningioma, glioma, and pituitary tumor) was taken. Taking into account the different slices, the base had: 708 examples of meningioma, 1426 examples of glioma, and 930 examples of pituitary tumor. The database authors marked the regions of interest on each image, which were used as a tutor (supervised learning) for automatic segmentation model. Before model creation, currently ...
Біомедична інженерія і технологія, 2020
Кафедра біомедичної кібернетики Національного технічного університету України «Київський політехн... more Кафедра біомедичної кібернетики Національного технічного університету України «Київський політехнічний інститут імені Ігоря Сікорського», м. Київ, Україна Реферат-Дана робота розглядає використання методів текстурного аналізу для отримання інформативних ознак, які описують текстуру медичних зображень. Для дослідження було взято 317 знімків ультразвукового дослідження печінки (як у здорових людей, так і у людей з різними патологіями, такими як: аутоімунний гепатит, хвороба Вільсона, гепатит В і С, стеатоз і цироз), за якими і були отримані інформативні ознаки; також було взято 3064 зображення магнітно-резонансної томографії мозку (де зображені три типи пухлин, таких як: менінгіома, гліома та пухлина гіпофізу), на яких були застосовані отримані ознаки, щоб перевірити їх універсальність. Ультразвукові знімки печінки були надані Інститутом ядерної медицини та променевої діагностики НАМН України, в той час як знімки магнітно-резонансної томографії мозку були взяті з онлайн джерела. В результаті дослідження було отримано більше 100 інформативних ознак різного роду, які успішно класифікують як ультразвукові зображення печінки, так і знімки магнітно-резонансної томографії мозку. Для класифікації зображень був застосований один із найбільш популярних методів машинного навчання-«Випадковий ліс класифікації». Для задачі захворювань печінки було отримано 3 моделі Випадкового лісу окремо під кожний тип ультразвукового датчику, які успішно класифікують 2 класи («норма» і «патологія»). Перед їх отриманням загальну вибірку було розбито на навчальну (для навчання моделей), тестову (для підбору оптимальних параметрів налаштування Випадкового лісу) і екзаменаційну (для об'єктивної оцінки отриманих моделей). На загальній вибірці точність розпізнавання отриманих моделей варіюється від 92% до 92.9%. В задачі ж пухлин мозку, оскільки класів було 3, то було побудовано 3 моделі Випадкового лісу під окремі задачі «Одна пухлина проти всіх», а також 1 модель під мультикласову задачу. Точність моделей на екзаменаційній вибірці (10%) варіюється від 84% до 93.8% .