Методы машинного обучения и искусственного интеллекта
155
темплейты (шаблоны, скелетоны) алгоритмов и заданные множества пар входных - выходных данных. Исследовано влияние степени специализации темплейта на характеристики алгоритма поиска при эволюционном синтезе нелинейных моделей, заданных обыкновенными дифференциальными уравнениями с недоопределенными функциями. Получены оценки трудоемкости данного алгоритма и показано значительное сокращение времени поиска при использовании темплейтов в процессе эволюционного синтеза.
Распознавание острого инсульта по изображениям мультиспиральной компьютерной томографии с использованием сетей глубокого обучения
В. М. Неделько1,2, Р. М. Козинец2, А. А. Тулупов2,3, В. Б. Бериков1,2
1Институт математики СО РАН
2Новосибирский государственный университет
3'Международный томографический центр СО РАН
Email: berikov@math.nsc.ru
DOI: 10.24411/9999-017A-2020-10271
На сегодняшний день мультиспиральная компьютерная томография (МСКТ) головного мозга занимает основное место при диагностике острого инсульта. Для повышения надежности анализа МСКТ изображений целесообразна разработка автоматизированной системы распознавания с использованием нейронных сетей глубокого обучения. В работе описан прототип системы распознавания патологических изменений вещества головного мозга на основе анализа МСКТ изображений головного мозга пациентов с перенесенным инсультом. Выборка пациентов сформирована из базы МТЦ СО РАН. Были выбраны анонимизированные изображения с диагностированными ишемическими или геморрагическими инсультами, которые были вручную сегментированы специалистами-рентгенологами. Для анализа полученных изображений использовалась модифицированная архитектура сети глубокого обучения U-net [1]. В докладе сообщается о результатах проведенных экспериментов с системой распознавания.
Работа выполнена при финансовой поддержке Российского фонда фундаментальных исследований, проект 19-29-01175.
Список литературы
1. O. Ronneberger, P. Fischer, and T. Brox "U-net: Convolutional networks for biomedical image segmentation,'' in Intern. Conference on Medical image computing and computer-assisted intervention, pp. 234-241. Springer, Cham. 2015.
Исследование свойств алгоритмов классификации с использованием ансамблевых ядер
Н. С. Одиноких1, В. Б. Бериков1,2 1Новосибирский государственный университет 2Институт математики СО РАН Email: nikita.odinokih@gmail.com DOI: 10.24411/9999-017A-2020-10272
Одним из основных способов решения задач классификации являются алгоритмы, основанные на линейном разбиении пространства объектов на области, содержащие объекты одного класса. В случае, когда множества классов являются линейно неразделимыми, используется kernel trick— перевод объектов в пространство, в котором объекты становятся линейно разделимыми. Однако выбирать функцию для данного преобразования можно множеством различных способов.
В данной работе исследуются свойства алгоритма KCCE [1]. Исследовано изменение качества и скорости работы алгоритма при различных стратегиях выбора весов в ансамбле. Проведено сравнение работы алгоритма при выборе различных стратегий с иными алгоритмами классификации на различных задачах, в том числе и с зашумленными данными.
Работа выполнена при финансовой поддержке Российского фонда фундаментальных исследований, проекты 19-29-01175, 18-07-00600.
Список литературы
1. N. Odinokikh and V Berikov, "Cluster Ensemble Kernel for Kernel-based Classification," 2019 International MultiConference on Engineering, Computer and Information Sciences (SIBIRCON), Novosibirsk, Russia, 2019. P. 0670-0674. doi.org/10.1109/SIBIRCON48586.2019.8958184.