Классификация микроскопических изображений мокроты с использованием вероятностных байесовских нейронных сетей

Авторы

  • Инга Георгиевна Шеломенцева Красноярский государственный медицинский университет им. проф. В.Ф. Войно-Ясенецкого

DOI:

https://doi.org/10.52575/2687-0932-2022-49-3-575-581

Ключевые слова:

световая микроскопия, байесовские нейронные сети, вариационный вывод, репараметризация, алеаторическая и эпистемическая неопределенность

Аннотация

Методы вероятностного глубокого обучения являются основополагающими для распознавания сложных структур в наборах данных, поиска малоразмерных объектов в условиях шума и широко применяются для классификации медицинских изображений. Авторы иллюстрируют реализацию процедуры классификации на основе вероятностных байесовских нейронных сетей для распознавания микроскопических изображений образцов мокроты, окрашенной по методу Циля-Нильсена. Авторы проводят эксперимент с различными сетевыми структурами вероятностной байесовской сети и входными данными, и производят поиск модели с наименьшей ошибкой обучения. Модель, содержащая сверточные детерминированные слои и ориентированная на оценку алеаторической неопределенности, показала наилучшие результаты по параметрам accuracy и тестовой ошибки на экспериментальном наборе данных.

Скачивания

Данные скачивания пока недоступны.

Биография автора

Инга Георгиевна Шеломенцева, Красноярский государственный медицинский университет им. проф. В.Ф. Войно-Ясенецкого

старший преподаватель кафедры медицинской кибернетики и информатики, Красноярский государственный медицинский университет им. проф. В.Ф. Войно-Ясенецкого,
г. Красноярск, Россия

Библиографические ссылки

Brosse N., Riquelme C., Martin A. Gelly S., Moulines E. 2020. On Last-layer Algorithms for Classification: Decoupling Representation from Uncertainty Estimation – arXiv preprint arXiv: 2001.08049.

Chang D.T. 2021. Probabilistic Deep Learning with Probabilistic Neural Networks and Deep Probabilistic Models – arXiv preprint arXiv:2106.00120.

Der Kiureghian A., Ditlevsen O. 2009. Aleatory or epistemic? does it matter? Structural Safety, 31: 105–112.

Hinton G.E.D., Camp V. 1993. Keeping the neural networks simple by minimizing the description length of the weights. In Proceedings of the sixth annual conference on Computational learning theory: 5–13.

Hüllermeier E., Waegeman W. 2021. Aleatoric and epistemic uncertainty in machine learning: an introduction to concepts and methods. Machine Learning, 110: 457–506.

Jospin L.V., Buntine W., Boussaid F., Laga H., Bennamoun M. 2020. Hands-on Bayesian Neural Networks – a Tutorial for Deep Learning Users. ACM Computing Surveys, 1 (1): 1–36.

Kisantal M., Wojna Z., Murawski J., Naruniec J., Cho K. 2019. Augmentation for small object detection – preprint arXiv: 1902.07296

Manaswi, N.K. 2018. Deep Learning with Applications Using Python. Springer Science – Business Media, New York, 219 p.

Salama K. 2021. Probabilistic Bayesian Neural Network. Keras Documentation – https://keras.io/examples/keras_recipes/bayesian_neural_networks.

Serrao M.K.M., Costa M.G.F., Fujimoto L.B. Ogusku M.M., Filho C.F.F.C. 2020. Automatic Bacillus Detection in Light Field Microscopy Images Using Convolutional Neural Networks and Mosaic Imaging Approach. Annual International Conference of the IEEE Engineering in Medicine and Biology Society: 1903–1906.

Shelomentseva I.G., Chentsov S.V. 2020. Classification of Microscopy Image Staned By Ziehl-Neelsen Method Using Different Architectures of Convolution Neural Nerwork. Studies in Computational Intelligence, 925: 269–275.

Shin H., Roth H.R., Gao M. Lu L., Xu Z., Nogues I., Yao J., Mollura D., Summers R.M. 2016. Deep Convolutional Neural Networks for Computer-Aided Detection: CNN Architectures, Dataset Characteristics and Transfer Learning IEEE Transactions on Medical Imaging, 35(5): 1207–1216.

Snoek J., Larochelle H., Adams R.P. 2012. Practical Bayesian Optimization of Machine Learning Algorithms. Proceedings of Advances in Neural Information Processing Systems Conference: 2951–2959.

TensorFlow Probability (https://www.tensorflow.org/probability)

Udegova E.S., Shelomentseva I.G., Chentsov S.V. 2021. Optimizing Convolution Neural Network Architecture for Microscopy Image Recognition for Tuberculosis Diagnosis. Advances in Neural Computation, Machine Learning, and Cognitive Research V. NEUROINFORMATICS 2021. Studies in Computational Intelligence, 1008: 204–209.

Vladimirova M., Verbeek J., Mesejo P., Arbel J. 2019. Understanding Priors in Bayesian Neural Networks at the Unit Level. International Conference on Machine Learning: 6458–6467.

Wan Q., Fu X. 2020. Fast-BCNN: Massive Neuron Skipping in Bayesian Convolutional Neural Networks. 53rd Annual IEEE/ACM International Symposium on Microarchitecture (MICRO): 229–240.

Wang Z., Hutter F., Zoghi M., Matheson D., de Freitas N. 2016. Bayesian Optimization in a Billion Dimensions via Random Embeddings. Journal of Artificial Intelligence Research, 55: 361–387.

Zeng J., Lesnikowski A., Alvarez J.M. 2018. The Relevance of Bayesian Layer Positioning to Model Uncertainty in Deep Bayesian Active Learning – arXiv preprint arXiv:1811.12535.

Zhang X., Zou J., He K., Sun J. 2019. Accelerating Very Deep Convolutional Networks for Classification and Detection – preprint arXiv: 1505.06798.


Просмотров аннотации: 23

Поделиться

Опубликован

2022-09-30

Как цитировать

Шеломенцева, И. Г. (2022). Классификация микроскопических изображений мокроты с использованием вероятностных байесовских нейронных сетей. Экономика. Информатика, 49(3), 575-581. https://doi.org/10.52575/2687-0932-2022-49-3-575-581

Выпуск

Раздел

СИСТЕМНЫЙ АНАЛИЗ И УПРАВЛЕНИЕ