| DC Field | Value | Language |
|---|
| dc.contributor.author | Джанибеков, Х. Ш. | - |
| dc.coverage.spatial | Минск | en_US |
| dc.date.accessioned | 2024-08-22T09:04:33Z | - |
| dc.date.available | 2024-08-22T09:04:33Z | - |
| dc.date.issued | 2024 | - |
| dc.identifier.citation | Джанибеков, Х. Ш. Сегментация опухоли головного мозга на основе глубокого обучения с использованием мультимодальных изображений мозга МРТ = Brain tumor segmentation based on deep learning using multimodal MRI brain images / Х. Ш. Джанибеков // Электронные системы и технологии : сборник материалов 60-й научной конференции аспирантов, магистрантов и студентов БГУИР, Минск, 22–26 апреля 2024 г. / Белорусский государственный университет информатики и радиоэлектроники ; редкол.: Д. В. Лихаческий [и др.]. – Минск, 2024. – С. 258–261. | en_US |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/56987 | - |
| dc.description.abstract | Экспериментально исследована новая архитектура сегментации опухолей
головного мозга, которая извлекает выгоду из характеристики четырех методов МРТ.
Установлено, что каждая модальность имеет уникальные характеристики, которые
помогают сети эффективно различать классы. Продемонстрировало, что работа только с
частью изображения мозга рядом с опухолевой тканью позволяет модели CNN (которая
является самой популярной архитектурой глубокого обучения) достигать
производительности, близкой к производительности человека-наблюдателя. | en_US |
| dc.language.iso | ru | en_US |
| dc.publisher | БГУИР | en_US |
| dc.subject | материалы конференций | en_US |
| dc.subject | магнитно-резонансная томография | en_US |
| dc.subject | модель CNN | en_US |
| dc.subject | опухоль головного мозга | en_US |
| dc.title | Сегментация опухоли головного мозга на основе глубокого обучения с использованием мультимодальных изображений мозга МРТ | en_US |
| dc.title.alternative | Brain tumor segmentation based on deep learning using multimodal MRI brain images | en_US |
| dc.type | Article | en_US |
| local.description.annotation | A new brain tumor segmentation architecture that benefits from the characterization
of four MRI techniques is experimentally investigated. It is found that each modality has unique
characteristics that help the network effectively distinguish between classes. It has been
demonstrated that working with only the portion of the brain image near the tumor tissue allows
the CNN model (which is the most popular deep learning architecture) to achieve performance
close to that of a human observer. | en_US |
| Appears in Collections: | Электронные системы и технологии : материалы 60-й конференции аспирантов, магистрантов и студентов (2024)
|
