Применение нейронной сети для выполнения задачи классификации

Содержание:

Введение

1. Литературный обзор

1. Методы спектроскопии

1. Спектроскопия
2. Спектроскопия КР
3. Преимущества спектроскопии комбинационного рассеяния
4. Устройство и принцип работы спектрометра комбинационного рассеяния

1. Общая характеристика и принцип работы нейросетей

1. Типы нейросетей
2. Структура
3. Нейронные сети в медицине
4. Машинное обучение

1. Алгоритм обработки и анализа спектров комбинационного рассеяния с применением нейронных сетей
2. Применение искусственного интеллекта в диагностике онкологических заболеваний

1. Материалы и методы

3. Применение нейронной сети для выполнения задачи классификации

3.1 Глубокое машинное обучение

3.2 Тренировка нейронной сети

3.3 Тестирование нейронной сети

Список литературы

КРС – комбинационное рассеяние света

ИК - инфракрасный

Введение

В настоящее время медицинское и ученое сообщества задаются вопросом автоматизации процессов во время операции для минимизации человеческого фактора. Одной из таких задач является задача классификации опухолевых и неопухолевых участков на основе применения нейронной сети и анализа данных с помощью спектроскопии КРС.

Спектроскопия комбинационного рассеяния света представляет собой оптический метод, который сегодня рассматривается для характеристики множества заболеваний, в том числе в приложениях in vivo, демонстрирующих различия между доброкачественными и злокачественными участками опухолей.

В идеале разработанный метод должен обладать стопроцентной чувствительностью (вероятность того, что все люди с положительным результатом будут отнесены к нужному классу) и, одновременно, - стопроцентной специфичностью (вероятность того, что все люди с отрицательным результатом будут определены правильно).

Очень часто высокая чувствительность влечет за собой низкую специфичность. Это может происходить из-за того, что не для каждого человека выход определенного параметра за принятую норму будет считаться заболеванием. Здесь играют роль индивидуальные особенности организма.

Нейронные сети призваны увеличить чувствительность метода таким образом, чтобы при этом не страдала специфичность.

Нейронные сети - нелинейные системы, которые способные классифицировать данные намного лучше часто применяемых линейных методов. Нейронные сети учатся делать выводы, анализируя обнаруженные ими скрытые связи в данных.

При этом они не используют какой-то определенный алгоритм вывода для принятия решения, а учатся этому на примерах. Также нейронные сети могут проводить классификацию, подытоживая предыдущий опыт и используя его в последующих задачах.^[1]

В своей работе я использовал метод глубокого машинного обучения на основе многослойной нейронной сети Перцептрон.

Целью данного исследования является разработка методики анализа спектрограмм комбинационного рассеяния света (раман- спектроскопии) при помощи интеллектуальных методов обработки данных.

Для достижения поставленной цели сформулированы следующие конкретные задачи исследования:

1. Получить спектры комбинационного рассеяния
2. Создать алгоритм для обучения нейронной сети
3. Обучить искусственный интеллект детекции раковых заболеваний по данным анализа спектра комбинационного рассеяния

1. Литературный обзор

1. Методы спектроскопии

Спектроскопия, раздел физики, изучающий спектры электромагнитного излучения. Спектры возникают при переходах между уровнями энергии в атомах, молекулах и образованных из них макроскопических системах.

Спектральный анализ – совокупность методов определения состава (например, химического) объекта, основанный на изучении спектров взаимодействия материи с излучением, включая спектры электромагнитного излучения, радиации, акустических волн, распределения по массам и энергиям элементарных частиц и др.