În Statele Unite, cancerul pulmonar lovește 225.000 de persoane în fiecare an și reprezintă 12 miliarde de dolari în costurile de îngrijire a… [607681]

Ministerul Educației Naționale
Universitatea OVIDIUS Constanța
Facultatea de Matemat ică și Informatică
Specializarea Informatică
Constanța 201 9

Lucrare de Licență
Deeplearing cu aplicatii in
imagistica medicala

Ministerul Educației Naționale
Universitatea OVIDIUS Constanța
Facultatea de Matemat ică și Informatică
Specializarea Informatică
Constanța 201 9
Motivatie
În Statele Unite, cancerul pulmonar lovește 225.000 de persoane în
fiecare an și reprezintă 12 miliarde de dolari în costurile de îngrijire a
sănătății. Detectarea precoce este esențială pentru a oferi pacienților
cele mai bune șanse la recuperare și supra viețuire.

Ministerul Educației Naționale
Universitatea OVIDIUS Constanța
Facultatea de Matemat ică și Informatică
Specializarea Informatică
Constanța 201 9 Introducere
Analiza asistată de calculator pentru interpretarea mai bună a
imaginilor a reprezentat o problem a de lungă durată în domeniul
imagi stici medicale. Pe frontul de înțelegere a imaginii, progresele
recente în machine learning ,în special în ceea ce privește deep learing ,
au făcut un salt mare in: identificarea, clasificarea și cuantificarea
modelelor în imaginile medicale. Mai exact, exploatarea reprezentărilor
ierarhice ale caracteristicilor învățate exclusiv din date, în loc d e
caracteristici artizanale proiectate în cea mai mare parte pe baza
cunoștințelor specifice domeniului. În acest fel deep learing se
dovedește rapid ca fiind fundația de ultimă oră, realizând performanțe
sporite în diverse aplicații medicale. În ace asta l ucrare , voi prezenta
principiile fundamentale ale metodelor de deep learing ; detectarea
structurilor anatomice / celulare, segmentarea țesuturilor,
diagnosticarea sau prognosticul bolii asistate de calculator și așa mai
departe.

Ministerul Educației Naționale
Universitatea OVIDIUS Constanța
Facultatea de Matemat ică și Informatică
Specializarea Informatică
Constanța 201 9

Cuprins :

1. Machine learning
1.1Introducere
1.2Relationarea cu alte domenii
1.3 Deep learing
1.4Retele neuronale
1.5 Domeniul de aplicabilitate
2. Imagistica medicala
2.1 Detectarea si recunosterea imaginilor medicale
2.2 Segmentarea imaginilor
2.3 Image registration
3. Diagnosticare asistata de caulcultor
3.1 Metode
3.2 Aplicabilitate
4. Aplicatie
5. Tabel de figuri
6. Conculzie
7. Bibliografie

Ministerul Educației Naționale
Universitatea OVIDIUS Constanța
Facultatea de Matemat ică și Informatică
Specializarea Informatică
Constanța 201 9
Machine learning
1.1Introducere
Machine lear ning (ML) este studiul științific al algoritmilor și
modelelor statistice pe care sistemele informatice le folosesc
pentru a îndeplini eficient o sarcină specifică fără a folosi
instrucțiuni explicite, bazându -se în schimb pe modele și
inferențe (deductie) . Este văzut ca un subset al inteligenței
artificiale. Algoritmii de învățare a mașinilor construiesc un
model matematic bazat pe date de antrenare , cunoscute sub
numele de "date set", pentru a face predicții sau decizii fără a fi
programate în mod explicit pentru a îndeplini sarcina . o
varietate largă de ap licații, cum ar fi filtrarea prin e -mail și
viziunea pe computer, unde este imposibil să se dezvolte un
algoritm de instrucțiuni specifice pentru îndeplinirea sarcinii.
Subiectul machine learning este strâns legată de statisticile
computaționale, care se c oncentrează pe realizarea de predicții
cu ajutorul computerelor. Studiul optimizării matematice oferă
metode, teorii și domenii de aplicare în domeniul Machine
learning.
In machine learning calculatorul “invata” pe baza exprerientelor
anterioare fiind capa bil sa faca predictii cu acuratete direct
proportionala cu numarul de experiente anterioare .

Ministerul Educației Naționale
Universitatea OVIDIUS Constanța
Facultatea de Matemat ică și Informatică
Specializarea Informatică
Constanța 201 9
1.2Relationarea cu alte domenii
Domeniul Machine learning este strans leagat de alte domenii
cum ar fii :
A. Inteligență artificială
Machine learning a apărut ca un domeniu separat de studiu în
timpul urmăririi de către oamenii de știință a dezvoltării
inteligenței artificiale (AI) în mașini. Scopul lor a fost acela de a
face mașinile să învețe din datele disponibile, utilizând metode
precum rețelele neuronale, modelele statistice liniare și
raționamentul probabilistic.
B. Probabilitate
Machine learning utilizează teoria probabilităților pentru
studierea și explorarea algoritmilor pentru recunoașterea
modelului. Acest i algoritmi sunt apo i folosit i pentru a construi
modele din datele disponibile pentru a prezice comportamentul
mașinii în cazul unor intrări noi.
C. Data mining
Machine learning și data mining (exploatarea datelor )folosesc
metode similare pentru a atinge obiective diferite. Învățarea în
mașină se concentrează pe realizarea predicțiilor pe baza
datelor disponibile, în timp ce data mining se concentrează pe
descoperirea unor aspecte necunoscute ale datelor disponibile.

Ministerul Educației Naționale
Universitatea OVIDIUS Constanța
Facultatea de Matemat ică și Informatică
Specializarea Informatică
Constanța 201 9 Machine learning utilizează numeroase tehnici fol osite de data
mining .
D. Optimizarea matematică
În termeni simpli, optimizarea poate fi definită ca găsirea celei
mai bune soluții din toate soluțiile pentru orice problemă. În
învățarea mașinilor, predicțiile se fac pe baza datelor
disponibile. Tehnicile de optimizare matematică pot fi utilizate
pentru a oferi teoria potrivită pentru a fi utilizate. Astfel,
optimizarea și machine learning sunt strâns legate între ele.
E. Statistic a
Noile principii ale deep learning au fost împrumutate în mare
măsură din st atisticile computaționale. Două modele – modelul
de date și modelul algoritmic – utilizate în machine learning își
au rădăcinile în statisticile computaționale.

Ministerul Educației Naționale
Universitatea OVIDIUS Constanța
Facultatea de Matemat ică și Informatică
Specializarea Informatică
Constanța 201 9

1.3Deep learning
Deep learning ( învățarea profundă ) este o tehnică de învățare a
mașinilor care instruieste computerele să facă ceea ce vine în
mod natural pentru oameni: să învețe prin exemplu. Deep
learning este o tehnologie cheie în spatele mașinilor fără șofer,
permițându -le să recunoască un semn de oprire sau să distingă
un pieton de o lampă. Este cheia controlului vocal în
dispozitivele de consum, cum ar fi telefoanele, tabletele,
televizoarele și difuzoarele hands -free. Deep learining are o
atenție deosebită în ultima vreme și pentru un motiv bun.
Obține rezultate care nu au fost po sibile înainte.
În deep learning , un model de computer învață să efectueze
sarcini de clasificare direct din imagini, text sau sunet. Modelele
de deep learning pot atinge precizia de ultimă oră, uneori
depășind performanța la nivel uman. Modelele sunt instruite
utilizând un set mare de date etichetate și arhitecturi de rețele
neuronale care conțin mai multe straturi.
Deep learning coreleaza datele de intrare cu cele de iesire.
Este cunoscută ca un "aproximator universal", deoarece poate
învăța să aproximeze o funcție necunoscută f (x) = y între orice
intrare x și orice ieșire y, presupunând că ele sunt în totalitate
corelate (de exemplu, prin corelație sau cauzal itate). În

Ministerul Educației Naționale
Universitatea OVIDIUS Constanța
Facultatea de Matemat ică și Informatică
Specializarea Informatică
Constanța 201 9 procesul de învățare, o rețea neuronală găsește dreptul f sau
modul corect de a transforma x în y, fie că este f (x) = 3x + 12
sau f (x) = 9x – 0,1.
1.4 Neural network
Rețelele neuronale (Neural network) sunt un set de algoritmi,
modelați în mod liber după creierul uman, care sunt proiectați
să recunoască tiparele. Ei interpretează datele senzoriale printr –
un fel de percepție, etichetare sau intrare de tip cluster.
Modelele pe care le recunosc sunt numerice, conținute în
vectori, în care trebuie t raduse toate datele din lumea reală, fie
ele imagini, sunet, text sau serii de timp.
Rețelele neuronale ne ajută să grupam și să clasificăm. Vă
puteți gândi la ele ca la un strat de grupare și clasificare pe
lângă datele stocate și gestionate. Ele ajută la gruparea datelor
neetichetate în funcție de asemănările dintre input -uri(datele
de intare) și clasifică datele atunci când au un set de date
etichetat pentru a fi instruiți (antrenat) . (Rețelele neuronale pot,
de asemenea, extrage caracteristici care sunt alimentate de alți
algoritmi pentru grupare și clasificare, deci vă puteți gândi la
rețele neuronale ca component ale unor aplicații mai mari de
machine -learning care implică algoritmi pentru învățarea si
clasificare)

Ministerul Educației Naționale
Universitatea OVIDIUS Constanța
Facultatea de Matemat ică și Informatică
Specializarea Informatică
Constanța 201 9
Elementele unei retele neuronale
Neural network este numele pe care îl folosim pentru "rețelele
neuronale stivuite" ( stacked neural networks ); adică rețele
compuse din mai multe straturi.
Straturile sunt realizate din noduri. Un nod este doar un loc în
care se produce calculul, modelat dupa un neuron din creierul
uman, care se “aprinde ” atunci când întâmpină stimulente
suficiente. Un nod combină inputul cu un set de coeficienți sau
greutăți care fie amplifică sau atenuează ace l input , atribuind
astfel semnificație intrărilor în ceea ce privește sarcina pe care
algoritmul încearcă să o învețe; de exemplu : care intrare este
cel mai util in clasificarea datelor fără eroare? Aceste inputuri
sunt însumate și apoi suma este trecută prin funcția de activare
a unui nod, pentru a determina dacă și în ce măsură acest
semnal ar trebui să progreseze mai departe prin rețea pentru a
afecta rezultatul final, să zicem, un ac t de clasificare. Dacă
semnalele trec, neuronul a fost "activat".

Ministerul Educației Naționale
Universitatea OVIDIUS Constanța
Facultatea de Matemat ică și Informatică
Specializarea Informatică
Constanța 201 9
Diagrama Nod

Un strat de nod uri este un rând de comutatoare neuronale care
se aprind sau se opresc pe măsură ce intrarea este alimentată
prin plasă. Fiecare ieșire a stratului este simultan intrarea
stratului următor, pornind de la un strat de intrare in ițial care
primește datele.

Diagrama Strat de Noduri

Ministerul Educației Naționale
Universitatea OVIDIUS Constanța
Facultatea de Matemat ică și Informatică
Specializarea Informatică
Constanța 201 9