1. CSN
  2. Всі випуски
  3. Випуск 6, Номер 2, 2024
  4. Ансамблеві методи на основі центрування для сегментації зображення

Ансамблеві методи на основі центрування для сегментації зображення

CSN.
2024;
Випуск 6, Номер 2
: cc. 122-130
https://doi.org/10.23939/csn2024.02.122
Автори:
  1. В.Д. Конюхов
1
Інститут енергетичних машин і систем ім. А. М. Підгорного НАН України, відділ вібраційних і термоміцнісних досліджень

Ансамблеві методи можуть використовуватись для багатьох завдань, одними з найпопулярніших є: класифікація, регресія та сегментація зображень. Сегментація зображень є складною задачею, де використання ансамблевих методів машинного навчання дає можливість покращити точність передбачень нейронних мереж.

В цьому дослідженні було запропоновано три нові методи комбінування передбачень нейронних мереж, які були порівнянні з ансамблевим методом усереднення та звичайним використанням нейронних мереж. Дані методи базуються на ідеї центрування масок та різних методів комбінування передбачень. Основна мета дослідження – створити більш надійні та якісні ансамблеві методи, які зможуть виконувати свої завдання незалежно від якості зображення. Дані методи основані на різних підходах, що дає змогу обирати більш підходящий метод для вирішення конкретної задачі. Завдяки використанню запропонованих методів була отримана гарна ефективність сегментації медичних зображень на різних даних. Отримані результати вказують на те, що запропоновані методи комбінування передбачень дають змогу мінімізувати загальну помилку, краще узагальнювати дані та підвищити надійність використання передбачень.

ансамблеві методи
глибинне навчання
машинне навчання
сегментація зображення
  1. Breiman, L. (1996). Bagging predictors. Mach Learn 24, 123–140. https://doi.org/10.1007/BF00058655.
  2. Dietterich, T.G. (2000). Ensemble Methods in Machine Learning. In: Multiple Classifier Systems. MCS 2000. Lecture Notes in Computer Science, vol 1857. Springer, Berlin, Heidelberg. https://doi.org/10.1007/3-540-45014-9_1.
  3. Zhou, Z., Wu, J., Jiang, Y., & Chen, S. (2001). Genetic Algorithm based Selective Neural Network Ensemble. International Joint Conference on Artificial Intelligence.
  4. Lakshminarayanan, B., Pritzel, A., & Blundell, C. (2016). Simple and Scalable Predictive Uncertainty Estimation using Deep Ensembles. Neural Information Processing Systems. https://doi.org/10.48550/arXiv.1612.01474.
  5. Mohammed, A., & Kora, R. (2023). A comprehensive review on ensemble deep learning: Opportunities and challenges. Journal of King Saud University - Computer and Information Sciences, 35(2), 757–774. https://doi.org/10.1016/j.jksuci.2023.01.014.
  6. Han, Y., et al. (2023). An ensemble method with edge awareness for abnormally shaped nuclei segmentation. In 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW) (pp. 4315-4325). Vancouver, BC, Canada. https://doi.org/10.1109/CVPRW59228.2023.00454.
  7. Dang, T., Nguyen, T. T., McCall, J., et al. (2024). Two-layer ensemble of deep learning models for medical image segmentation. Cognitive Computation, 16(1), 1141–1160. https://doi.org/10.1007/s12559-024-10257-5.
  8. Ullah, F., Ullah, I., Khan, R. U., Khan, S., Khan, K., & Pau, G. (2024). Conventional to deep ensemble methods for hyperspectral image classification: A comprehensive survey. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 17, 3878–3916. https://doi.org/10.1109/JSTARS.2024.3353551.
  9. Faska, Z., Khrissi, L., Haddouch, K., et al. (2023). A robust and consistent stack generalized ensemble-learning framework for image segmentation. Journal of Engineering and Applied Science, 70, 74. https://doi.org/10.1186/s44147-023-00226-4.
  10. Ho, E., Wang, E., Youn, S., Sivajohan, A., Lane, K., Chun, J., & Hutnik, C. M. L. (2022). Deep Ensemble Learning for Retinal Image Classification. Translational vision science & technology, 11(10), 39. https://doi.org/10.1167/tvst.11.10.39.
  11. Chen, Y., Mo, Y., Readie, A., et al. (2024). VertXNet: An ensemble method for vertebral body segmentation and identification from cervical and lumbar spinal X-rays. Scientific Reports, 14, 3341. https://doi.org/10.1038/s41598-023-49923-3.
  12. Rahil, M., Anoop, B. N., Girish, G. N., Kothari, A. R., Koolagudi, S. G., & Rajan, J. (2023). A deep ensemble learning-based CNN architecture for multiclass retinal fluid segmentation in OCT images. IEEE Access, 11, 17241–17251. https://doi.org/10.1109/ACCESS.2023.3244922.
  13. Park, J., Kweon, J., Kim, Y. I., Back, I., Chae, J., Roh, J. H., Kang, D. Y., Lee, P. H., Ahn, J. M., Kang, S. J., Park, D. W., Lee, S. W., Lee, C. W., Park, S. W., Park, S. J., & Kim, Y. H. (2023). Selective ensemble methods for deep learning segmentation of major vessels in invasive coronary angiography. Medical physics, 50(12), 7822–7839.https://doi.org/10.1002/mp.16554.
  14. Vindr.ai. (n.d.). Vindr.ai datasets: SpineXR. Vindr.ai. Retrieved from https://vindr.ai/datasets/spinexr
  15. Jaeger, S., Karargyris, A., Candemir, S., Folio, L., Siegelman, J., Callaghan, F., Xue, Z., Palaniappan, K., Singh, R. K., Antani, S., Thoma, G., Wang, Y. X., Lu, P. X., & McDonald, C. J. (2014). Automatic tuberculosis screening using chest radiographs. IEEE Transactions on Medical Imaging, 33(2), 233–245. https://doi.org/10.1109/TMI.2013.2284099.
  16. Candemir, S., Jaeger, S., Palaniappan, K., Musco, J. P., Singh, R. K., Xue, Z., Karargyris, A., Antani, S., Thoma, G., & McDonald, C. J. (2014). Lung segmentation in chest radiographs using anatomical atlases with nonrigid registration. IEEE Transactions on Medical Imaging, 33(2), 577–590. https://doi.org/10.1109/TMI.2013.2290491.