Author(s):
1. Tijana Geroski, University of Kragujevac, Faculty of Engineering, Serbia
2. Ognjen Pavić, Institute for Information Technologies Kragujevac, Serbia
3. Lazar Dašić, Institute for Information Technologies Kragujevac, Serbia
4. Marina Petrović, University Clinical Centre Kragujevac, Serbia
5. Dragan Milovanović, University Clinical Centre Kragujevac, Serbia
6. Nenad Filipović, Univerzitet u Kragujevcu, Serbia

Abstract:
Mašinsko učenje ima sposobnost otkrivanja značajnih i skrivenih veza u skupu podataka i nalazi veliku primenu u kliničkoj dijagnostici, lečenju i predviđanju razvoja bolesti. Kao ulazni podaci najčešće se koriste medicinske slike sa magnetne rezonance (MRI), kompjuterske tomografije (CT) ili rendgena (X-ray). Standardna medicinska procedura, koja koristi manuelnu anotaciju od strane doktora eksperta, pokazala je veliku varijabilnost i lošu ponovljivost. Ovaj rad prikazuje nekoliko primera primene dubokog učenja, kao podoblasti mašinskog učenja, u automatizaciji procesa analize medicinskih slika, skraćenju vremena za dijagnostikovanje, kao i obezbeđivanje velike tačnosti i ponovljivosti rezultata. U oblasti kardiovaskularnih bolesti, u okviru projekta SILICOFCM (https://silicofcm.eu/) izvršeno je izdvajanje karakterističnih geometrijskih parametara srca na ultrazvučnim snimcima za potrebe rane detekcije kardiomiopatije. U oblasti neurohirurgije, primer primene dubokog učenja je segmentacija i klasifikacija nivoa i strane diskus hernije na osnovu MRI snimaka, korišćenjem konvolucionih neuronskih mreža U-net, AlexNet, ResNet5, VGG16 itd. U oblasti pulmologije, duboko učenje se koristi za potrebe detekcije plućnih bolesti na rendgen snimcima, što se realizuje u okviru projekta SoftLungX (http://softlungx.bioirc.ac.rs/).

Key words:
duboko učenje, medicinske slike, konvolucione neuronske mreže

Date of abstract submission:
15.08.2023.

Conference:
Contemporary Materials 2023 - Savremeni materijali

Applied paper from author