| Код | 511519 |
| Дата создания | 2019 |
|
Мы сможем обработать ваш заказ (!) 2 мая в 12:00 [мск]
Файлы будут доступны для скачивания только после обработки заказа.
|
|
СОДЕРЖАНИЕ
ВВЕДЕНИЕ .............................................................................................................. 3
ГЛАВА I. НЕЙРОННЫЕ СЕТИ И ИХ МЕСТО НА РЫНКЕ
ДИАГНОСТИКИ ..................................................................................................... 6
1.1. Методы визуальной диагностики ..................................................... 6
1.2. Анализ флюорографических снимков дыхательной системы .... 11
1.3. Анализ причин пропусков или неправильной трактовки
патологических изменений при чтении флюорограмм ........................... 14
ГЛАВА II. НЕЙРОННЫЕ СЕТИ И ИХ МЕСТО НА РЫНКЕ
ДИАГНОСТИКИ ................................................................................................... 18
2.1. Описание системы и разработка нейросетевой модели .................. 18
2.2. Эффективность машинной обработки флюорограмм............................. 22
ГЛАВА III. АНАЛИЗ РЫНКА И ПЛАН ПО РЕАЛИЗАЦИИ И ВНЕДРЕНИЮ
ПРОЕКТА ПО РАЗРАБОТКЕ НЕЙРОННЫХ СЕТЕЙ В МЕДИЦИНСКИЕ
УЧРЕЖДЕНИЯ ................................................................................................................................ 23
ЗАКЛЮЧЕНИЕ ..................................................................................................... 30
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ ........................................... 33
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
1. Darsey J. A. Architecture and biological applications of artificial neural
networks: a tuberculosis perspective / J.A. Darsey, W.O. Griffin, S. Joginipelli,
V.K. Melapu // Methods Mol. Biol. – 2015. – Vol. 1, № 1260. ‒ Р. 269-283.
2. Gani D. A. Tuberculosis disease diagnosis using artificial immune
recognition system / D. A. Gani, M. L. M. Kiah // Int. J. Med. Sci. – 2014. – Vol.
11, №5. Р. 508-514.
3. El-Solh A. A. Predicting active pulmonary tuberculosis using an artificial
neural network / A. A. El-Solh, C. B. Hsiao, S. Goodnough, J. Serghani, B. J.
Grant // Chest. – 1999. – Vol. 116, № 4. ‒ Р. 968-973.
4. Viktor H.L. Extraction of rules for tuberculosis diagnosis using an artificial
neural network / H. L. Viktor, I. Cloete, N. Beyers // Methods Inf. Med. – 1997. –
Vol. 36, № 2. ‒ P. 160-162.
5. Aguiar F. S. Development of two artificial neural network models to support
the diagnosis of pulmonary tuberculosis in hospitalized patients in Rio de Janeiro,
Brazil / F. S. Aguiar, R. C. Torres, J. V. Pinto, A. L. Kritski, J. M. Seixas, F.C.
Mello // Med. Biol. Eng. Comput. – 2016. – Vol. 54, № 11. ‒ Р. 1751-1759
6. de O. Souza Filho J.B. A screening system for smear-negative pulmonary
tuberculosis using artificial neural networks / J. B. de O. Souza Filho, J. M. de
Seixas, R. Galliez, B. de Bragança Pereira, F. C. de Q. Mello, A. M. Dos Santos,
A. L. Kritski // Int. J. Infect. Dis. – 2016. – Vol. 49 – P. 33-39.
7. Elveren E. Tuberculosis disease diagnosis using artificial neural network
trained with genetic algorithm / E. Elveren, N. Yumuşak // J. Med. Syst., 2011,
vol. 35 – pp. 329-332.
8. Mohamed E.I. Qualitative analysis of biological tuberculosis samples by an
electronic nose-based artificial neural network / E. I. Mohamed, M. A. Mohamed,
M. H. Moustafa, S. M. Abdel-Mageed, A. M. Moro, A. I. Baess, S. M. El-Kholy //
Int. J. Tuberc. Lung Dis. – 2017. – Vol. 21, №. 7 – pp. 810-817.
9. Seixas J.M. Artificial neural network models to support the diagnosis of
pleural tuberculosis in adult patients / J. M. Seixas, J. Faria, J. B. Souza Filho, A.
F. Vieira, A. Kritski, A. Trajman // Int. J. Tuberc. Lung Dis., 2014 – vol. 17, № 5 –
pp. 682-686.
34
10. Gao X. W. Prediction of multidrug-resistant TB from CT pulmonary
images based on deep learning techniques / X. W. Gao, Y. Qian // Mol. Pharm. –
2018.
11. Principles of respiratory investigation [Электронный ресурс] //
URL: https://www.erswhitebook.org/chapters/principles-of-respiratoryinvestigation/
(Дата обращения 17.06.2019).
12. Рентген легких: показания к проведению, оценка вредности и
особенности процедуры [Электронный ресурс] // URL:
https://www.eg.ru/digest/kak-delaetsja-rentgen-legkikh.html (Дата обращения
18.06.2019)
13. Коэльо Л. Построение систем машинного обучения на языке
Python / Л. Коэльо // 2-е изд. М.: ДМК Пресс – 2016 – C. 302.
14. He K. / K. He, X. Zhang, S. Ren // Conf. on Comp. Vision and
Pattern Recogn – 2016. – P. 770.
15. Минязев Р. Ш. Анализ рентгеновских изображений для
выявления патологий с использованием нейронных сетей / Р. Ш. Минязев, А.
А. Румянцев, С. А. Дыганов, А. А. Баев // Известия РАН. Серия физическая. –
2018. – T. 82, № 12 – C. 1653–1655.