Vladyslav Kruhlyi - Academia.edu (original) (raw)
Uploads
Papers by Vladyslav Kruhlyi
2020 IEEE 15th International Conference on Computer Sciences and Information Technologies (CSIT), 2020
The article deals with the construction of the norm-pathology states classifiers according to sta... more The article deals with the construction of the norm-pathology states classifiers according to statistical features of the ultrasound images texture in diffuse liver diseases. A number of new features are proposed to distinguish the texture of classes. Classifiers are constructed in the form of analytical expressions using the GMDH Shell DS software and in the form of a forest, the trees of which are obtained in accordance with the GMDH principles. The work was performed on data, had provided by the Nuclear Medicine and Radiation Diagnostics Institute of the National Academy of Medical Sciences of Ukraine.
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% .
2020 IEEE 15th International Conference on Computer Sciences and Information Technologies (CSIT), 2020
The article deals with the construction of the norm-pathology states classifiers according to sta... more The article deals with the construction of the norm-pathology states classifiers according to statistical features of the ultrasound images texture in diffuse liver diseases. A number of new features are proposed to distinguish the texture of classes. Classifiers are constructed in the form of analytical expressions using the GMDH Shell DS software and in the form of a forest, the trees of which are obtained in accordance with the GMDH principles. The work was performed on data, had provided by the Nuclear Medicine and Radiation Diagnostics Institute of the National Academy of Medical Sciences of Ukraine.
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% .