Skip navigation
Please use this identifier to cite or link to this item: https://libeldoc.bsuir.by/handle/123456789/52077
Title: Deep learning based approach for vertebrae detection on spine X-RAY
Other Titles: Основанный на глубоком обучении подход к обнаружению позвонков на рентгенограмме позвоночника
Authors: Charapennikau, R. M.
Keywords: материалы конференций;medical imaging;object detection
Issue Date: 2023
Publisher: БГУИР
Citation: Charapennikau, R. M. Deep learning based approach for vertebrae detection on spine X-RAY / R. M. Charapennikau // BIG DATA и анализ высокого уровня = BIG DATA and Advanced Analytics : сборник научных статей IX Международной научно-практической конференции, Минск, 17–18 мая 2023 г. : в 2 ч. Ч. 2 / Белорусский государственный университет информатики и радиоэлектроники ; редкол.: В. А. Богуш [и др.]. – Минск, 2023. – С. 379-384.
Abstract: In this paper two methods for vertebra detection on X-RAY images are presented. The key difference from standard object detection methods is that proposed ones (methods) are not limited to finding a rectangular bounding box, but can be used to detect an object with a bounding box of arbitrary quadrangle shape. Our method achieves 0.988 Average Precision Score with 0.822 bounding box IoU.
Alternative abstract: В данной статье представлены два метода детекции позвонков на рентгеновских снимках. Основным отличием, предложенных методов, от существующих методов детекции является то, что они не ограничены поиском прямоугольной ограничивающей рамки, а решают задачу детекции с помощью ограничивающей рамки произвольной четырехугольной формы. Предложенный метод достигает качества 0.988 метрики Average Precision при IoU ограничивающих рамок 0.822.
URI: https://libeldoc.bsuir.by/handle/123456789/52077
Appears in Collections:BIG DATA and Advanced Analytics = BIG DATA и анализ высокого уровня : сборник научных статей (2023)

Files in This Item:
File Description SizeFormat 
Charapennikau_Deep.pdf1.96 MBAdobe PDFView/Open
Show full item record Google Scholar

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.