Почитувани колешки и колеги,
Со големо задоволство Ве поканувам на мини-серијата од 3
предавања поврзани со употребата на техниките за длабоко учење во
биомедицината и процесирањето на сигнали. Насловите и предавачите
се:
- Ванчо Павлевски - „Практична примена на GAN мрежи“,
- Сашо Неделкоски - „Детекција на рак на бели дробови базирана
на длабоко учење“, и
- Бранислав Геразов - „Употреба на длабоко учење за
класификација на тумори во хомогено ткиво во медицински
микробранови снимки“.
Во продолжение и во прилог се апстрактите од предавањата и кусата биографија на предавачите.
Со почит,
Бранислав Геразов
Претседател на здружениот оддел за SP/EMB
Тема: „Практична примена на GAN мрежи“
Предавач: дипл. инж. Ванчо Павлевски
Апстракт: Длабоко Учење е најновата технологија која што ја предводи револуцијата во информатичките науки. Тоа е тајната која што ја користат многу компании за да креираат алатки за прецизен превод, самоуправувачки коли па дури и за генерирање на уметност. Едно од најновите достигнувања во оваа област се Generative Adversarial Networks или GANs. Овој алгоритам припаѓа на фамилијата модели кои што можат да научат како да креираат (генерираат) нови податоци, кои што се слични на оние со кои ги тренираме. Овој тип на мрежи се измислени од страна на Ian Goodfellow, и моментално наоѓаат најголема примена кај генерирање на слики. Она што е специфично кај нив е фактот дека се состојат од две мрежи, една генеративна и една дискриминирачка. GAN мрежите имаат слична цел како и варијациониот автоенкодер кој што ни претставува еден многу важен концепт, а тоа е мерење на разлика во еден семантички простор, а не само разлика во пиксели. Овој тип на мрежи може да се користи за креирање на реалистични фотографии, сè со цел да се визуелизира дизајнот на индустриски продукти, облека или најразлични објекти во компјутерски игри. Предавањето ќе се фокусира кон објаснување на архитектурата на овие мрежи, како работат, ќе бидат прикажани некои примери како и практични совети околу нивната имплементација во TensorFlow. GAN се од огромно значење во областа на вештачката интелигенција затоа што, за да може овој алгоритам да работи, потребно е да има добро разбирање на содржината и концептот кој што стои зад тренинг сетот кој што го учи. Без тоа генерирањето на нова и оригинална содржина не би била можна.
Кратка биографија на предавачот: Дипл. инж. Ванчо Павлевски дипломирал на ФЕИТ во Скопје во 2012. Кариерата ја започнува како фриленс инженер за софтвер во најразлични фирми. Помеѓу стандардните проекти кои вклучуваат програмирање, постепено се посветува на решавање на проблеми кои што не можат да се решат со класични алгоритми. Позначајни работни позиции би биле Senior .NET Software Developer во Genius од Холандија, фирма која што работеше на интерен софтвер за Accon AVM една од најголемите компании за сметководствени услуги во Холандија. Кариерата потоа ја продолжува во Lyanthe каде што е денес на позиција AI инженер и работи на развој на целосно автоматизирано процесирање на било какви финансиски документи. Длабоко учење и невронски мрежи се технологиите кои што ги користи веќе неколку години за решавање на најразлични проблеми од областа на OCR, класификација и регресија.
Тема: „Детекција на рак на бели дробови базирана на длабоко учење“
Предавач: Сашо Неделкоски
Апстракт: Во светски рамки ракот на белите дробови претставува број еден причина за смрт и кај мажите и кај жените. Само во рамки на Соединетите Амерички Држави годишно со овој проблем се соочуваат околу 225.000 луѓе, и сето тоа го чини здравственото осигурување околу 12 милијарди долари. Најчест причинител, или најголем ризик фактор за развивање на ваков тип на рак претставуваат и активното и пасивното пушење на цигари. За прецизна детекција на рак на белите дробови потребни се информации за пациентот. Во овој случај проблемот е сведен на креирање на алгоритам за рана детекција на рак на бели дробови користејќи 3D CT репрезентација на белите дробови од пациентот. Креирањето на ваков алгоритам значително би помогнало за намалување на преголемата стапка на грешно позитивно предвидени случаеви. Со раната детекција се дава можност за превземање активности за лекување и дава повеќе простор и време на радиолозите за да се посветат на соодветниот пациент. Покажано е дека конвенционалните методи и секој досегашен софтвер кој е направен на оваа тема имаат многу висок процент на грешки укажувајќи на сложеноста на проблемот. Употребата на длабоко учење во алгоритмите за детекција на рак на бели дробови резултира со многу подобри резултати, кои во посложените модели се приближно добри како и оценката која би ја дал еден доктор радиолог.
Кратка биографија на предавачот: Сашо Неделкоски е студент во четврта година на ФЕИТ на насоката Компјутерски технологии и инженерство. Во април 2017 по поминување на курсот во кој се учат алгоритми за машинско учење, покрај другото почнува поинтензивно да се занимава со оваа област почнувајќи од базични проблеми на машинско учење. Од септември 2016 учествува на натпревари на порталот kaggle.com каде на наговиот прв натпревар “Predicting Red Hat Business Value” освојува сребрен медал (топ 2% во конкуренција на 2271 тим). По првичниот успех продолжува со натпревари од ваков карактер и се здобива со уште два сребрени медали: “Bosch Production Line Performance” (топ 4% во конкуренција од 1373 тимови) и неговиот прв проект/натпревар од областа на биомедицинско инженерство Data Science Bowl Lung Cancer Prediction (76/1972 тимови).
Тема: „Употреба на длабоко учење за класификација на тумори во хомогено ткиво во медицински микробранови снимки“
Предавач: доц. д-р Бранислав Геразов
Апстракт: Употребата на електромагнетните бранови од микробрановото подрачје за правење на медицински снимки е во забрзан развој во светот. Постојат низа на практични проблеми поврзани со реализацијата на овие системи, како и медицинската употребливост на снимките направени со нив. Сепак, поради нивната ниска цена, како и тоа што не користат јонизирачко зрачење, овие системи имаат голем потенцијал за широка примена во медицината. Најнапредни медицински микробранови системи се оние дизајнирани за снимање на рак на дојка и тие се во фаза на тестирање со луѓе. За испитување на ефикасноста во класификацијата на детектираниот тумор како бенигнен и малигнен направени се нумерички симулации за добивање на електромагнетниот отпечаток на туморот поставен во хомогено ткиво. Добиените сигнали од симулацијата се искористени за тренинг и тестирање на алгоритми за машинско учење. Посебен фокус беше даден на употреба на алгоритмите за длабоко учење и тоа: длабоките невронски мрежи (DNN) и конволуциските невронски мрежи (CNN). Беше постигната точност на класификација на туморите од 93,44%. Истражувањето беше направено во соработка со Институтот за биофизика и биомедицинско инженерство при Факултетот за науки, Универзитетот во Лисабон, Лисабон, Португалија под покровителство на COST акцијата MiMed-TD1301.
Кратка биографија на предавачот: Доц. д-р Бранислав Геразов дипломирал, магистрирал и докторирал на ФЕИТ во 2007, 2011 и 2014 година, соодветно. На факултетот бил ангажиран како демонстратор од 2007, а од 2015 и како доцент, во наставата по предметите Електроакустика, Дигитални аудиосистеми, Биомедицинско инженерство, Биомедицинска електроника, како и низа предмети покриени од Институтот за електроника. Го води истражувачкиот проект за идентификација на говорник под покровителство на индустрискиот партнер Ретел. Во својата научна работа има објавено над 60 труда во меѓународни и национални списанија и конференции. Области од особен интерес му се дигиталната анализа, процесирање, синтеза и препознавање на аудиосигналите, пред сè говорот, како и на биомедицинските сигнали.