Analysis of Deep Neural Networks for Detection of Coronary Artery Stenosis (Запись № 665005)

Подробно MARC
000 -Маркер
Поле контроля фиксированной длины 03536nlm1a2200385 4500
005 - Идентификатор версии
Поле контроля фиксированной длины 20231030041949.0
035 ## - Другие системные номера
Идентификатор записи (RuTPU)RU\TPU\network\36204
035 ## - Другие системные номера
Идентификатор записи RU\TPU\network\33381
100 ## - Данные общей обработки
Данные общей обработки 20210621a2021 k y0engy50 ba
101 0# - Язык ресурса
Язык текста, звукозаписи и т.д. английский
102 ## - Страна публикации или производства
Страна публикации
135 ## - Поле кодированных данных: электронные ресурсы
Кодированные данные для электронного ресурса drcn ---uucaa
181 #0 - Поле кодированных данных: вид содержания
Код вида содержания i
182 #0 - Поле кодированных данных: средство доступа
Код средства доступа electronic
200 1# - Заглавие и сведения об ответственности
Основное заглавие Analysis of Deep Neural Networks for Detection of Coronary Artery Stenosis
Первые сведения об ответственности V. V. Danilov, O. M. Gerget, K. Yu. Klyshnikov [et al.]
203 ## - Вид содержания и средство доступа
Вид содержания
Средство доступа
300 ## - Общие примечания
Текст примечания Title screen
320 ## - Примечания о наличии в ресурсе библиографии/указателя
Текст примечания [References: 19 tit.]
330 ## - Резюме или реферат
Текст примечания This paper describes an approach based on machine learning technology that is of particular interest for the localization and characterization of both single focal stenoses and multivessel multifocal lesions. Due to the complexity of analyzing large amounts of data for the cardiac surgeon, we pay special attention to the analysis, training, and comparison of popular neural networks that classify and localize foci of stenosis on coronary angiography data. From the complete coronarography dataset collected at the Research Institute for Complex Issues of Cardiovascular Diseases, we retrospectively select data of 100 patients. For the automated analysis of the medical data, the paper considers in detail three models (SSD MobileNet V1, Faster-RCNN ResNet-50 V1, and Faster-RCNN NASNet), which differ in their architecture, complexity, and the number of weights. The models are compared in terms of their basic efficiency characteristics: accuracy, training time, and prediction time. The test results show that the training and prediction times are directly proportional to the complexity of the models. In this regard, Faster-RCNN NASNet exhibits the lowest prediction time (the average processing time for one image is 880 ms), while Faster-RCNN ResNet-50 V1 has the highest prediction accuracy. The latter model reaches the mean average precision (mAP) level of 0.92 on the validation dataset. On the other hand, SSD MobileNet V1 is the fastest model, capable of making predictions with a prediction rate of 23 fps.
333 ## - Примечания об особенностях распространения и использования
Текст примечания
461 ## - Уровень набора
Заглавие Programming and Computer Software
463 ## - Уровень физической единицы
Заглавие Vol. 47, iss. 3
Обозначение тома [P. 153-160]
Дата публикации 2021
610 1# - Неконтролируемые предметные термины
Предметный термин электронный ресурс
610 1# - Неконтролируемые предметные термины
Предметный термин труды учёных ТПУ
701 #1 - Имя лица – альтернативная ответственность
Начальный элемент ввода Danilov
Часть имени, кроме начального элемента ввода V. V.
Дополнения к именам, кроме дат specialist in the field of informatics and computer technology
-- engineer of Tomsk Polytechnic University
Даты 1989-
Расширение инициалов личного имени Vyacheslav Vladimirovich
-- stltpush
Идентификатор авторитетной/ нормативной записи (RuTPU)RU\TPU\pers\37831
701 #1 - Имя лица – альтернативная ответственность
Начальный элемент ввода Gerget
Часть имени, кроме начального элемента ввода O. M.
Дополнения к именам, кроме дат Specialist in the field of informatics and computer technology
-- Associate Professor of Tomsk Polytechnic University, Candidate of technical sciences
Даты 1974-
Расширение инициалов личного имени Olga Mikhailovna
-- stltpush
Идентификатор авторитетной/ нормативной записи (RuTPU)RU\TPU\pers\31430
701 #1 - Имя лица – альтернативная ответственность
Начальный элемент ввода Klyshnikov
Часть имени, кроме начального элемента ввода K. Yu.
Расширение инициалов личного имени Kirill Yurjevich
701 #1 - Имя лица – альтернативная ответственность
Начальный элемент ввода Frangi
Часть имени, кроме начального элемента ввода A.
Расширение инициалов личного имени Alejandro
701 #1 - Имя лица – альтернативная ответственность
Начальный элемент ввода Ovcharenko
Часть имени, кроме начального элемента ввода E. A.
Расширение инициалов личного имени Evgeny Andreevich
712 02 - Наименование организации – вторичная ответственность
Начальный элемент ввода Национальный исследовательский Томский политехнический университет
Структурное подразделение Инженерная школа информационных технологий и робототехники
-- Отделение информационных технологий
-- 7951
-- stltpush
Идентификатор авторитетной/ нормативной записи (RuTPU)RU\TPU\col\23515
801 #2 - Источник записи
Страна RU
Организация 63413507
Дата составления 20210621
Правила каталогизации RCR
856 4# - Местонахождение электронных ресурсов и доступ к ним
Универсальный идентификатор ресурса https://doi.org/10.1134/S0361768821030038
090 ## - System Control Numbers (Koha)
Koha biblioitem number (autogenerated) 665005
942 ## - Добавленные элементы ввода (Коха)
Тип документа Computer Files

Нет доступных единиц.