РАЗРАБОТКА МОДУЛЯ АВТОМАТИЧЕСКОГО ОБНАРУЖЕНИЯ ОБЛАСТИ ГЛАЗ ДЛЯ ПРИМЕНЕНИЯ В АВТОМАТИЗИРОВАННОЙ СИСТЕМЕ ТЕЛЕМЕДИЦИНСКИХ КОНСУЛЬТАЦИЙ
Аннотация
Работа посвящена разработке модуля автоматического обнаружения области глаз и является частью научного исследования, посвященного разработке информационной системы автоматического диагностирования косоглазия, которая будет применена в автоматизированной системе телемедицинских консультаций. Телемедицина, имеющая большой потенциал для снижения растущего спроса на диагностику офтальмологических заболеваний, является эффективным методом для своевременного выявления косоглазия. Для достижения цели были решены следующие задачи: обучение модели обнаружения области глаз, разработка программного интерфейса приложения для работы с моделью обнаружения, разработка веб-интерфейсов пациента и администратора. Обученная модель может применяться в различных информационных системах, в которых требуется функционал обнаружения глаз. Также результаты могут быть использованы в различных исследованиях, в которых применяется платформа TensorFlow для обнаружения объектов одного класса. Представленная архитектура взаимодействия модели обнаружения, программного интерфейса приложения и веб-интерфейсов может быть использована при проектировании и разработке сложных систем, включающих пользовательские интерфейсы и вычисления на серверной стороне.
Цель – разработка модуля автоматического обнаружения области глаз на фотографии лица человека, направленного на использование в автоматизированной информационной системе телемедицинских консультаций.
Метод или методология проведения работы: в статье использовались методы программирования и машинного обучения.
Результаты: разработан модуль автоматического обнаружения области глаз для применения в автоматизированной системе телемедицинских консультаций.
Область применения результатов: полученные результаты целесообразно применять при организации автоматизированных телемедицинских услуг и для внедрения в разрабатываемые информационные системы, использующие телемедицинские технологии.
Скачивания
Литература
Burdukowsky S.O. Analiz i otsenka programm glubinnogo obucheniya [Analysis and evaluation of deep learning programs]. Razvitie intellektual’nogo potentsiala molodezhi Kubani – 2019: Materialy II Vserossiyskoy nauchno-prakticheskoy konferentsii [Development of intellectual potential of the youth of the Kuban - 2019: Proceedings of the II All-Russian scientific and practical conference]. Anapa, 2019, pp. 18-24.
World Health Organization. Telemeditsina. Vozmozhnosti i razvitie v gosudarstvakh-chlenakh [Telemedicine: opportunities and developments in Member States]. Geneva: World Health Organization, 2012, vol. 2, 93 p.
Angular (freymvork) — Vikipediya [Angular (framework) — Wikipedia], 2022. URL: https://ru.wikipedia.org/wiki/Angular_(фреймворк) (accessed January 24, 2022).
Eye pupil localization with an ensemble of randomized trees / Markuš N., Frljak M., Pandžić I.S., Ahlberg J., Forchheimer R. Pattern Recognition, 2014, vol. 47, pp. 578-587. https://doi.org/10.1016/j.patcog.2013.08.008
Araujo G.M., Ribeiro F.M.L., Silva E.A.B., Goldenstein S.K. Fast eye localization without a face model using inner product detectors. 2014 IEEE International Conference on Image Processing, Paris, 2014. pp. 1366-1370. https://doi.org/10.1109/ICIP.2014.7025273
Flask (veb-freymvork) – Vikipediya [Flask (web-framework) – Wikipedia], 2022. URL: https://ru.wikipedia.org/wiki/Flask_(веб-фреймворк) (accessed January 24, 2022).
Flickr-Faces-HQ Dataset (FFHQ), 2022. URL: https://github.com/NVlabs/ffhq-dataset (accessed January 24, 2022).
Zhang X., Han Liangxiu, Han Lianghao, Zhu L. How Well Do Deep Learning-Based Methods for Land Cover Classifi-cation and Object Detection Perform on High Resolution Remote Sensing Imagery? Remote Sensing, 2020, vol. 12, pp. 1-29. https://doi.org/10.3390/rs12030417
Intersection over Union (IoU) for object detection – PyImageSearch, 2016. URL: https://pyimagesearch.com/2016/11/07/intersection-over-union-iou-for-object-detection (accessed January 24, 2022).
LeCun Y., Bengio Y., Hinton G. Deep learning. Nature, 2015, vol. 521, pp. 436-444. https://doi.org/10.1038/nature14539
Maxwell A., Timothy A.W., Luis A.G. Accuracy Assessment in Convo-lutional Neural Network-Based Deep Learning Remote Sensing Studies – Part 1: Literature Review. Remote Sensing, 2021, vol. 13, pp. 1-27. https://doi.org/10.3390/rs13132450
Measuring Labelling Quality with IOU and F1 Score | by Isaac Tan | Supahands Tech Blog | Medium, 2020. URL: https://medium.com/supahands-techblog/measuring-labelling-quality-with-iou-and-f1-score-1717e29e492f (accessed January 24, 2022).
Object Detection -IOU-Intersection Over Union | by Ananth Sandeep | Medium, 2019. URL: https://medium.com/@nagsan16/object-detection-iou-intersection-over-union-73070cb11f6e (accessed January 24, 2022).
Swirski L., Bulling A., Dodgson N.A. Robust real-time pupil tracking in highly of-axis images. Proceedings of the 7th Eye Tracking Research and Ap-plications Symposium. N.Y., 2012, pp. 173-176. https://doi.org/10.1145/2168556.2168585
Timm F., Barth E. Accurate eye centre localisation by means of gradients. VISAPP 2011 – Proceedings of the Sixth International Conference on Computer Vision Theory and Applications. Vilamora, 2011, pp. 125-130.
Valenti R., Gevers T. Accurate eye center location through invariant isocentric patterns. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2012, vol. 34, pp. 1785-1798. https://doi.org/10.1109/TPAMI.2011.251
Xie D., Zhang L., Bai L. Deep Learning in Visual Computing and Signal Processing. Applied Computational Intelligence and Soft Computing, 2017, vol. 2017, pp. 1-13. https://doi.org/10.1155/2017/1320780
Просмотров аннотации: 114 Загрузок PDF: 152
Copyright (c) 2022 Stanislav O. Burdukowsky
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
