TY - JOUR AU - SHEKERBEK, AINUR AU - Абдикеримова, Гүлзира AU - Ламашева, Жанар AU - Байбулова, Мақбал AU - Токкулиева, Айжан PY - 2023/03/31 Y2 - 2024/03/29 TI - КЛАССИФИКАЦИЯ РЕНТГЕНОВСКИХ ИЗОБРАЖЕНИЙ С ПОМОЩЬЮ АЛГОРИТМА ГЛУБОКОГО ОБУЧЕНИЯ JF - Известия НАН РК. Серия физико-математическая JA - СФМН VL - IS - 1 SE - ИНФОРМАТИКА DO - 10.32014/2023.2518-1726.178 UR - https://journals.nauka-nanrk.kz/physics-mathematics/article/view/5159 SP - 204-227 AB - <p>Актуальность темы в частности, если взять один из информационных потоков, будь то действие человеческого фактора или конкретный объект, то верно, что специальное машинное обучение языковой обработки и автоматический вывод информации значительно оптимизируют жизнь человека. С помощью нейронных сетей и их рентгенографии органов грудной клетки — одного из самых доступных рентгенологических исследований для скрининга и диагностики многих заболеваний легких — специальный язык машинного обучения позволяет изучать потоки информации о нем и одном и том же объекте в режиме реального времени с помощью нейронных сетей.</p><p>В статье описана терминология проблемы распознавания рентгеновских снимков с использованием методов и алгоритмов машинного обучения, рассмотрена актуальность проблемы, а также проанализировано современное состояние проблемы в области распознавания рентгеновских снимков. Отмечаются аспекты решаемой проблемы, выявленные в ходе анализа, в виде решаемых задач, подходов, методов, используемых информационных технологий, инструментов и программных решений проблемы.</p><p>Статья посвящена описанию модифицированного метода нечеткой кластеризации полутоновых изображений, который на каждой итерации выполняет динамическое преобразование исходных данных на основе сингулярной декомпозиции с автоматическим выделением наиболее значимых столбцов матрицы левых сингулярных векторов. Результаты экспериментальных исследований были получены путем обработки рентгеновских изображений.</p><p>В результате тестирования модели нейронной сети, в выходном слое которой для активации нейронов использовалась сигмоидальная функция активации, а в качестве метода оптимизации – алгоритм, были получены наилучшие значения точности и полноты: точность – 94,2. тестирования нейросеть показала точность распознавания пневмонии, равную 94,27 %.</p> ER -