Біомедична інженерія і технологія

Постійне посилання на фонд

https://ela.kpi.ua/handle/123456789/30117
ISSN 2617-8974 (Print) Періодичність: 4 рази на рік
Рік заснування: 2018
Тематика: питання ефективності, безпечності і якості охорони здоров’я, вітчизняного виробництва медичної техніки і біоматеріалів, створення найсучасніших медикоінженерних і біоінженерних технологій на засадах трансляційної медицини.
Офіційний сайт: http://biomedtech.kpi.ua/

Переглянути

Перегляд Біомедична інженерія і технологія за Ключові слова "004.852 + 616-018"

Зараз показуємо 1 - 3 з 3
  • Ескіз
    ДокументВідкритий доступ
    Згорткова нейронна мережа для сегментації судин сітківки ока
    (КПІ ім. Ігоря Сікорського, 2023) Добровська, Людмила Миколаївна; Назарага, Ярослав Русланович
    Важливе значення для постановки діагнозу при різних офтальмологічних захворюваннях відіграє дослідження, моніторинг та оцінка судин сітківки ока. Ідентифікація конкретних об’єктiв-патологій на зображеннях зводиться до розв’язання задач сегментації. Сегментація судин сітківки є ключовим кроком до точної візуалізації, діагностики захворювань ока, раннього лікування та планування хірургічного втручання. Саме тому важливою задачею є автоматизована сегментація судин сітківки. Мета даної роботи полягала у розробці програмного застосунку для сегментації зображень судин сітківки ока з використанням машинного навчання у вигляді згорткової нейронної мережі. Наразі найточнішими є нейромережеві методи сегментації, а саме методи на основі глибокого навчання. База знімків, яка використовувалась для дослідження, була взята з загальнодоступного набору даних DRIVE, що надає еталонні сегментації (маски) для кожного зображення, для половини з яких застосовано аугментацію. Це надає змогу обчислити оцінки продуктивності моделі. Під час першого етапу дослідження було встановлено, що наразі до найпоширеніших: 1) критеріїв, за якими кількісно можна оцінити якість сегментації, належать такі метрики: intersection over union; аccuracy; precision; sensitivity; specificity; F1-score; dice coefficient; loss function; 2) мереж, здатних виконувати сегментацію зображень, належать такі: FCN, SegNet, U-Net, FC-Densenet, E-Net, Link-Net, RefineNet, PSPNet. Для вирішення задачі сегментації зображень судин сітківки ока виконано порівняння вказаних мереж за точністю, перевагами та обмеженнями. Встановлено, що враховуючи точність, найкраще для вирішення вказаної задачі підходять мережі DeepLab, PSPNet, U-Net. Другий етап дослідження полягав у розробці програмного застосунку (ПЗ), порівнянні та оцінюванні показників якості відомих систем сегментації судин сітківки та розробленого ПЗ. Результатом дослідження є розробка ПЗ, який надає такі оцінки за метриками: accuracy=0.9452, sensitivity = 0.8991, specificity= 0.9468, dice= 0.8247. Ці показники якості отримано під час роботи розробленого ПЗ.
  • Ескіз
    ДокументВідкритий доступ
    Комбінація локальної порогової бінаризації та машинного навчання для класифікації пухлин молочної залози
    (КПІ ім.Ігоря Сікорського, 2022) Добровська, Людмила Миколаївна; Бабенко, Віталій Олегович; Іванченко, Аліна Сергіївна
  • Ескіз
    ДокументВідкритий доступ
    Методології аналізу зображень для діагностичних застосувань (огляд)
    (КПІ ім. Ігоря Сікорського, 2024) Давидович, Ілля Вікторович; Бабенко, Віталій Олегович
    Медична візуалізація є невіддільною частиною сучасної клінічної практики та досліджень у галузі охорони здоров'я, слугуючи наріжним каменем у сфері діагностичних процедур та забезпечуючи критично важливу основу для вибору методів лікування, спрямованих на підвищення рівня виживання пацієнтів. Серед різних підходів, доступних для обробки та аналізу медичних зображень, нейронні мережі отримали найбільше визнання, головним чином завдяки їхньої здатності швидко обробляти знімки будь-якої модальності, забезпечуючи при цьому діагностичний аналіз з високою якістю. Однак широкому впровадженню таких технологій часто перешкоджають значні фінансові витрати та труднощі для медичних працівників при розшифровуванні результатів. Нейронні мережі, які є непрозорими у своїх процесах прийняття рішень, породжують дилему «чорної скриньки», хоча при постановці діагнозу остаточне рішення приймає лікар, а не мережа. Таким чином, існує потреба в розробці методологічної бази для обробки та аналізу медичних зображень, здатної забезпечити надійну підтримку прийняття діагностичних рішень. Дана наукова робота присвячена охопленню методологій порівняння зображень. Це фундаментальна процедура, яка дозволяє ідентифікувати невідповідності між зображеннями, не покладаючись на нейронні мережі або інші парадигми машинного навчання. Для досягнення мети було розглянуто низку методологій порівняння зображень, кожна з яких містить свій власний набір сильних і слабких сторін. Отриманий в результаті порівняльний аналіз дозволить дослідникам робити виважений вибір відповідно до індивідуальних потреб і вимог. Таким чином, дана праця робить значний внесок у постійний розвиток медичної візуалізації, тим самим сприяючи покращенню догляду за пацієнтами та підвищенню точності діагностики в цій галузі.