Deep convolutional networks for OCT image classification

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26220%2F19%3APU131972" target="_blank" >RIV/00216305:26220/19:PU131972 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Deep convolutional networks for OCT image classification

Popis výsledku v původním jazyce

In this work, OCT (optical coherence tomography) images are classified according to the present pathology into four distinct categories. Three different neural network models are used to classify images, each model is recent and we are achieving exceptional results on the testing dataset, which was unknown to the network during the training. Accuracy on the testing set is higher than 98% and only a few of images are classified into the wrong category. This makes our approach perspective for future automatic use. To further improve results, all three models are using transfer learning.

Název v anglickém jazyce

Deep convolutional networks for OCT image classification

Popis výsledku anglicky

In this work, OCT (optical coherence tomography) images are classified according to the present pathology into four distinct categories. Three different neural network models are used to classify images, each model is recent and we are achieving exceptional results on the testing dataset, which was unknown to the network during the training. Accuracy on the testing set is higher than 98% and only a few of images are classified into the wrong category. This makes our approach perspective for future automatic use. To further improve results, all three models are using transfer learning.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20601 - Medical engineering

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2019

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proceedings of the 25th Conference STUDENT EEICT 2019

ISBN

978-80-214-5735-5

ISSN

—

e-ISSN

—

Počet stran výsledku

5

Strana od-do

437-442

Název nakladatele

Vysoké učení technické vBrně, Fakulta elektrotechniky a komunikačních technologií

Místo vydání

Brno

Místo konání akce

Brno

Datum konání akce

26. 4. 2018

Typ akce podle státní příslušnosti

CST - Celostátní akce

Kód UT WoS článku

—