Дисертації (БМК)
Постійне посилання зібрання
У зібранні розміщено дисертації, які захищені працівниками кафедри.
Переглянути
Нові надходження
Документ Відкритий доступ Метод класифікації онкологічних захворювань легень на основі структурних патернів зображень комп’ютерної томографії(КПІ ім. Ігоря Сікорського, 2026) Давидович, Ілля Вікторович; Настенко, Євген АрнольдовичДавидович І.В. Метод класифікації онкологічних захворювань легень на основі структурних патернів зображень комп’ютерної томографії. — Кваліфікаційна наукова праця на правах рукопису. Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 122 «Комп’ютерні науки» (12 - Інформаційні технології). – Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Київ, 2026. Дисертаційна робота присвячена дослідженню даних комп’ютерної томографії легень у пацієнтів із раком легень та розробці методів диференціації типів захворювання. Онкологічні захворювання легень залишаються однією з провідних причин смертності у світі. За глобальною статистикою у 2022 році було діагностовано близько 2,48 млн нових випадків та зафіксовано 1,8 млн смертей. В Україні значна частка випадків виявляється на пізніх стадіях, що підкреслює критичну потребу своєчасної діагностики. Важливу роль у виявленні патології відіграє медична візуалізація, зокрема комп’ютерна томографія (КТ) органів грудної клітини, яка використовується як базовий інструмент діагностичного уточнення та моніторингу стану захворювання, що здатні знижувати смертність завдяки ранньому виявленню пухлин. Водночас збільшення обсягів КТ-даних і складність їх інтерпретації створюють істотне навантаження на спеціалістів і підсилюють запит на автоматизовані методи, здатні виділяти діагностично значущу інформацію. Диференціація гістологічних типів визначає вибір тактики лікування та прогноз, тому підвищення точності інтерпретації КТ-даних є клінічно значущим. Проведено аналітичний огляд сучасних підходів до цифрової обробки та аналізу КТ-зображень легень у задачах онкологічної діагностики, включно з радіомікою, текстурними характеристиками, методами глибокого навчання, та підходів на основі Bag-of-Visual-Words для виділення інформативних ознак на зображеннях комп’ютерної томографії. За результатами проведеного огляду встановлено, що комп’ютерна томографія містить приховані структурні закономірності, які можуть бути використані для автоматизованої класифікації типів раку. Існуючі методи, зокрема глибокі нейронні мережі, демонструють високу точність, проте потребують великих обсягів якісно анотованих даних і часто не є у повній мірі прозорими у процесі прийняття рішень. Це ускладнює їх клінічну інтерпретацію та впровадження. Розглянуті сучасні методи мають проблеми зі стійкістю до варіативності вхідних даних та дисбалансу діагностичних класів при диференціації різних гістологічних типів. Тому постає задача вдосконалення методів виділення ознак та класифікації для забезпечення високої точності та інтерпретованості діагностики в умовах обмежених вибірок. Для підвищення інформативності даних розроблено метод селекції інтенсивностей пікселів для попередньої обробки зображень, що дозволяє виокремити найбільш репрезентативні діапазони яскравості для кожного класу патології. В алгоритмі попередньої обробки враховано необхідність зменшення розмірності простору інтенсивностей шляхом операції квантування та відбору пікселів, що формують стійкі структурні компоненти зображень, ігноруючи шумову складову. Селекція виконується шляхом узгодження інтенсивностей пікселів з урахуванням типових розподілів яскравостей для кожного класу, що зменшує міжсканерну варіативність та пригнічує артефакти, підвищуючи стабільність подальшого аналізу. Проведено дослідження із застосування методів виділення локальних структурних патернів для ідентифікації специфічних закономірностей у будові пухлинної тканини. На відміну від традиційних методів текстурного аналізу, які узагальнюють просторові залежності пікселів у вигляді інтегральних статистик, запропонований підхід формує явний словник мікроструктур шляхом сканування зображення ковзним вікном і подальшого підрахунку частот появи типових локальних конфігурацій. Таке подання є дискретизованим описом текстури, де замість обмеженої кількості агрегованих показників зберігається інформація про склад і розподіл конкретних локальних структур. Перевагою запропонованого підходу є використання методів статистичного зважування ознак, що дозволяє зменшити вплив фонових патернів та підсилити внесок рідкісних, але потенційно діагностично значущих структур. Виділення унікальних патернів дозволяє перейти від аналізу окремих пікселів до оцінки частотного розподілу локальних конфігурацій. Дискретний словник виділених структур дає змогу аналізувати внесок окремих патернів у рішення моделі та полегшує експертну верифікацію виявлених закономірностей. Для числового подання виокремлених структур проаналізовано декілька альтернативних схем формування опису ознак, які відрізняються ступенем узагальнення та чутливістю до частотного профілю патернів. Побудовані моделі та методика формування простору ознак надає можливість впорядкувати патерни за їх дискримінативною здатністю та сформувати вектори ознак, на основі яких побудовано класифікатор. Проаналізовано підходи до нормування частот патернів, їх зважування та відбору найбільш інформативних ознак, що забезпечує формування компактного вектора у єдиному порядку компонент, визначеному спільним словником патернів для всіх класів й наборів даних. На основі сформованого набору ознак проведено дослідження, спрямоване на розробку архітектури класифікатора для багатокласової діагностики гістологічних типів раку. Запропоновано реалізацію багатокласового класифікатора за стратегію каскадного «один проти решти» (One-vs-Rest), на базі логістичної регресії, що дозволяє послідовно відокремлювати класи, зменшуючи неоднорідність вибірки на кожному кроці. Для підвищення точності класифікації розроблено алгоритм автоматичного відбору порядку слідування класів та адаптивного підбору порогів прийняття рішень, що дозволяє враховувати специфіку дисбалансу даних та мінімізувати помилки розпізнавання для найбільш складних для розпізнавання класів. Проведено порівняльне дослідження ефективності запропонованого підходу з низкою моделей машинного навчання та глибокого навчання, включно з лінійними методами, ансамблями дерев рішень і градієнтного бустингу, багаторівневими ансамблями, а також нейромережевими архітектурами. Перевірку виконано на незалежній тестовій вибірці, що дозволило оцінити узагальнювальну здатність підходу на нових даних. За результатами порівняльних експериментів запропонований підхід за обраних параметрів попередньої обробки забезпечив точність на рівні 0.949±0.048 та макро-F1-міри 0.916±0.074. Додаткова перевірка в умовах ізольованої обробки навчальної та тестової вибірок підтвердила відтворюваність отриманих результатів і практичну придатність для сценарію застосування на нових даних. У додатковому, більш консервативному сценарії отримано точність на рівні 0.805, макро-F1-міра 0.766. Метою роботи було підвищення точності та інтерпретованості автоматизованої диференційної діагностики гістологічних типів раку легень за даними комп’ютерної томографії шляхом розроблення методу багатокласової класифікації на основі локальних структурних патернів. У дисертації отримані такі наукові результати: 1. Запропоновано метод селекції інтенсивностей пікселів КТ-зображень у межах області інтересу, який зменшує вплив випадкових коливань яскравості та узгоджує вхідні дані шляхом побудови нормованих розподілів інтенсивностей і їх послідовного усереднення. Це забезпечує подальший відбір найбільш репрезентативної частини діапазону відтінків сірого та пригнічення фонових й неспецифічних значень. 2. Розроблено спосіб виокремлення часто повторюваних локальних структурних патернів для подальшої їх селекції з метою отримання компактного та інформативного набору ознак. Запропонований спосіб відрізняється формуванням словника структур і поєднанням частотного та дискримінативного відбору. 3. Розроблено алгоритм багатокласової класифікації за стратегією каскадного «один проти решти» (One-vs-Rest), що відрізняється послідовним відокремленням класів з покроковим звуженням множини альтернатив на кожному етапі та автоматизованим підбором порядку проходження класів. Це забезпечує зменшення кількості помилок для малопредставлених і тому складних для розпізнавання класів. Практичне значення отриманих результатів. Реалізовано технологію формування структурно орієнтованого опису ознак на основі виокремлення локальних клас-специфічних патернів в області інтересу з подальшою селекцією інформативних структур. За результатами проведених досліджень розроблено інформаційну систему автоматизованого аналізу зображень комп’ютерної томографії легень, орієнтовану на багатокласову диференціацію гістологічних типів раку легень. Доведено практичну цінність моделі багатокласової класифікації за стратегією каскадного «один проти решти», що забезпечує підвищення стабільності результатів за нерівномірної представленості різних нозологічних груп.Документ Відкритий доступ Методи класифікації форм туберкульозу легень за даними комп’ютерної томографії на основі ансамблевої селекції ознак(КПІ ім. Ігоря Сікорського, 2025) Матвійчук, Олександр Вадимович; Настенко, Євген АрнольдовичМатвійчук О. В. Методи класифікації форм туберкульозу легень за даними комп’ютерної томографії на основі ансамблевої селекції ознак. – Кваліфікаційна наукова праця на правах рукопису. Дисертація на здобуття наукового ступеня (доктора філософії) за спеціальністю 122 «Комп’ютерні науки» (12 - Інформаційні технології). – Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Київ, 2025. Дисертаційна робота присвячена дослідженню даних комп’ютерної томографії легень у пацієнтів із туберкульозом легень та розробці методів диференціації лікарсько-чутливої та лікарсько-стійкої форми захворювання. Туберкульоз легень є другою за поширеністю інфекційною хворобою у світі та призвів у 2023 році до 1,3 млн смертей. Ефективна рання діагностика відіграє ключову роль у своєчасному призначенні лікування, особливо у випадках розвитку стійкості до протитуберкульозних препаратів. Для виявлення туберкульозу легень використовуються різні методи діагностики, зокрема мікробіологічний, молекулярно-генетичний, радіологічний, імунологічний та біохімічний. Застосування комп’ютерної томографії як рентгенологічного методу дозволяє швидко отримати зображення легень, оцінити наявність та ступінь уражень. Аналіз даних з зображень томографії дає змогу визначити форму та місце ураження легень туберкульозом, що є важливим етапом для подальшої розробки ефективних алгоритмів діагностики та оптимізації лікування. Проведено аналітичний огляд сучасних підходів до диференціації лікарськочутливої та лікарсько-стійкої туберкульозу із застосуванням методів машинного навчання. Розглянуто основні алгоритмічні підходи, включаючи використання штучних нейронних мереж, методів статистичного та текстурного аналізу, а також технологій сегментації для виділення зон інтересу на зображеннях комп’ютерної томографії. За результатами проведеного огляду встановлено, що комп’ютерна томографія легень містить ключові візуальні ознаки, які можуть бути використані для автоматизованої диференціації форм туберкульозу. Методи машинного навчання, зокрема згорткові нейронні мережі, демонструють високу точність у розпізнаванні структурних змін та класифікації патологічних процесів, що робить їх перспективним інструментом у діагностичних системах. Розглянуті сучасні методи мають проблеми з точністю класифікації лікарсько-чутливої та лікарсько-стійкої форми туберкульозу. Тому постає задача вдосконалення даних методів та технологій для збільшення точності діагностики, а також для підбору персоналізованої стратегії лікування. Для підвищення точності класифікації додано попередню обробку томографічних даних із виділенням легеневого вікна та визначенням площі легень, що дозволяє усунути надлишкову інформативність. В алгоритмі сегментації враховано можливість появи непромаркованих пікселів у середині легень та їх корекцію шляхом приєднання до виділеної області. Проведено дослідження з застосування методів текстурного аналізу для виділення ключових характеристик, що дозволяють більш точно ідентифікувати закономірності в структурі об’єктів на зображенні. Для отримання текстурних особливостей було застосовано різні типи матриць, зокрема – гістограма, матриця співвідношення рівнів сірого, матриця розміру зони рівнів сірого, матриця граничної довжини рівнів сірого. Перевагою використання матриць текстурних характеристик є збільшення інформативності отриманих даних за рахунок переходу від традиційного геометричного аналізу до оцінки текстури. Виділення настільки великої кількості ознак потребує механізму селекції інформативних ознак, для чого використано метод Minimum Redundancy Maximum Relevance. Побудована модель та методика моделювання ознак надає можливість впорядкувати ознаки за інформативністю та сформувати ансамбль найбільш релевантних за яким побудовано класифікатор. На основі сформованого ансамблю проведено дослідження, спрямоване на розробку класифікаційної моделі для визначення приналежності зображень до лікарсько-чутливого або лікарсько-стійкого класу. Для реалізації класифікаційного підходу застосовано метод випадкового лісу (Random Forest), який забезпечує високу стійкість до варіативності вхідних даних та знижує ризик перенавчання. Для підвищення точності класифікації розроблено модифіковану стратегію голосування в рамках ансамблю вирішальних правил. Відмінністю запропонованого підходу є адаптація стандартного алгоритму голосування шляхом введення вагових коефіцієнтів за допомогою методу групового урахування аргументів в комбінації з позиційним голосуванням, що дозволяє враховувати комплексні залежності між ознаками формуючи оптимізований ансамбль голосуючих моделей. Проведено дослідження, спрямоване на навчання глибокої залишкової нейронної мережі ResNet-50 для вирішення задачі класифікації зображень. Архітектура ResNet-50 обрана через здатність формування ознак на глибоких шарах, та наявності Encoder-Decoder модифікацій, що зменшує проблему зникання градієнта завдяки використанню залишкових зв’язків. Окремо розглянуто підхід гібридизації глибокої залишкової мережі із застосуванням ознак отриманих мережею та класифікатором випадкового лісу. Застосування з модифікованою функцією голосування дозволяє отримати альтернативний набір ознак перед подачею їх на класифікатор випадкового лісу. Метою роботи було удосконалення методів обчислювального інтелекту для збільшення точності класифікації лікарсько-чутливої та лікарсько-стійкої форм туберкульозу. В дисертацій отримані такі наукові результати: 1. Запропоновано метод селекції ансамблів інформативних ознак, який відрізняється поєднанням одновимірного послідовного відбору за міжкласовою, внутрішньокласовою дисперсією та визначенням оптимального набору ознак за критеріями інформативності та надмірності, що дозволяє зменшити обчислювальні ресурси та підвищити точність класифікації за даними великої розмірності. 2. Удосконалено метод прийняття рішень у колективах вирішувальних правил за рахунок додаткового впорядкування експертів по характеристиках компетентності на основі МГУА, що дозволяє модифікувати ваги в функції голосування для персоналізації рішень та підвищення точності класифікаторів з ансамблевою структурою 3. Вдосконалено метод визначення патологій на медичних зображеннях, в якому нейронна мережа з Encoder-Decoder архітектурою на основі ResNet50 для визначення зони патології доповнена оптимізованим ансамблевим класифікатором Random Forest, що надає можливість визначення класу патології за виокремленими Encoder частиною ознаками.Документ Відкритий доступ Технологія ієрархічної класифікації в задачах діагностики патологій за медичними зображеннями різних модальностей(КПІ ім. Ігоря Сікорського, 2025) Бабенко, Віталій Олегович; Настенко, Євген АрнольдовичБабенко В.О. Технологія ієрархічної класифікації в задачах діагностики патологій за медичними зображеннями різних модальностей. – Кваліфікаційна наукова праця на правах рукопису. Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 122 – «Комп’ютерні науки». – Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Київ, 2025. Дисертаційна робота складається зі вступу, чотирьох розділів, висновків, списку використаних джерел і додатків, має загальний обсяг 155 сторінок. У роботі наведено 18 рисунків, 25 таблиць. Список використаних джерел налічує 117 найменувань, з яких 16 – кирилицею та 101 – латиницею. Додаток А містить перелік публікацій та дані про апробацію результатів дисертації на 3 сторінках, а в додатку Б подано відомості про акти впровадження на 5 сторінках. Об'єкт дослідження. Аналіз діагностичних зображень. Ціль роботи. Вдосконалення методів класифікації для підвищення точності виявлення патологій за цифровими зображеннями. Методи дослідження. У рамках дослідження використано методи гістограмної обробки, просторової фільтрації, сегментації згортковими нейронними мережами, текстурного аналізу (зокрема, статистики першого порядку, GLCM, GLDS, GLRLM, NGTDM, SFM, метод енергії текстури Лоу, фрактальний аналіз, LBP, ознаки на основі гістограм, багаторегіональних гістограм, вейвлет-перетворень та згорткових нейронних мереж), кореляційний аналіз, а також ансамблеві підходи машинного навчання (випадковий ліс, XGBoost, LightGBM). Запропоновано метод випадкового лісу дерев оптимальної складності (ВЛДОС), що поєднує принципи МГУА, генетичних алгоритмів і методу аналізу ієрархій. Для побудови моделей застосовувалася технологія ієрархічної класифікації, а оцінювання їхньоїякості здійснювалося на основі метрик правильності, чутливості, специфічності, точності та F-міри. Обчислення проводилися на персональному комп’ютері з процесором Intel Core i5-9300H, 16 ГБ ОЗП, SSD на 512 ГБ і графічним процесором NVIDIA GeForce GTX 1660 Ti (6 ГБ). Використовувалося програмне забезпечення на мові Python. Результати та їх новизна. Розроблено нову технологію ієрархічної класифікації для аналізу цифрових зображень, що базується на ансамблевих методах машинного навчання, розширеному наборі текстурних ознак та методі ВЛДОС. Запропоновано модифікацію методу випадкового лісу (ВЛДОС), яка інтегрує принципи МГУА, генетичних алгоритмів та методу аналізу ієрархій. Уперше для стадіювання фіброзу печінки (ультразвукові знімки) та ідентифікації COVID-асоційованих легеневих патологій (зображення комп’ютерної томографії) застосовано розширений набір методів текстурного аналізу. Удосконалено методику кореляційного відбору ознак у мультикласових задачах. Основні характеристики та показники. Розроблена технологія забезпечує підвищення точності класифікації порівняно з традиційними методами. Для задачі стадіювання фіброзу печінки досягнуто правильності 67% (95% довірчий інтервал за методом бутстрепу: [0.58; 0.76]) та F-міри 0.68 на екзаменаційній вибірці, для задачі ідентифікації COVID-асоційованих патологій легень – 84% (95% довірчий інтервал: [0.75; 0.92]) та 0.84 відповідно. При мажоритарному голосуванні на рівні пацієнтів точність зросла до 75% (фіброз печінки) й 89% (патології легень) на екзаменаційній вибірці, а також до 95% і 94% відповідно на повній когорті пацієнтів. Впровадження. Результати роботи були впроваджені в ДУ «Інститут ядерної медицини та променевої діагностики НАМН України» (акт впровадження від «3» листопада 2022 року), ДУ «Інститут педіатрії, акушерства і гінекології імені академіка О.М. Лук’янової НАМН України» (акт впровадження від «13» червня 2024 року), ДУ «Національний науковий центр фтизіатрії, пульмонології та алергології ім. Ф.Г. Яновського НАМНУкраїни» (акт впровадження від «26» грудня 2024 року) та Інститут інформаційних технологій та систем НАН України (акт впровадження від «10 січня 2025 року). Зв'язок з іншими роботами. Робота виконана виконано в межах науково-дослідних проєктів кафедри біомедичної кібернетики КПІ ім. Ігоря Сікорського за темами № 0117U006934 «Методи та моделі ідентифікації станів біологічних об’єктів» і № 0123U100866 «Методи та моделі ідентифікації станів об’єктів в задачах прийняття медичних рішень». Рекомендації щодо використання результатів. Рекомендовано застосовувати запропоновану технологію для стадіювання фіброзу печінки на основі ультразвукових зображень та ідентифікації COVID-асоційованих легеневих патологій за даними комп’ютерної томографії у клінічній практиці. Сфера застосування. Медична діагностика, системи підтримки прийняття рішень, телемедицина. Економічна ефективність. Впровадження розробленого підходу здатне зменшити потребу в інвазивних методах обстеження (біопсія), скоротити час обробки зображень і підвищити точність діагностики, що може позитивно вплинути на загальні витрати на лікування й покращити результати терапії пацієнтів. Значимість роботи. Створена технологія становить суттєвий внесок у розвиток методів аналізу медичних зображень, сприяючи підвищенню ефективності діагностики та моніторингу захворювань. Робота має наукову новизну й практичну цінність. Висновки та пропозиції. Запропонована технологія ієрархічної класифікації на базі методу ВЛДОС і розширеного набору методів текстурного аналізу є ефективним інструментом обробки медичних зображень. Подальші дослідження доцільно спрямувати на вдосконалення методів групування класів, оптимізацію гіперпараметрів, розширення сфери застосування, автоматизацію процесу прийняття рішень, а також організацію масштабних клінічних випробувань для підтвердження ефективності та безпеки впровадження у клінічну практику. Особлива увага має приділятися етичним аспектам і прозорості алгоритмів машинного навчання в медицині.Документ Відкритий доступ Інформаційна технологія підтримки прийняття рішень при хірургічному лікуванні хворих ішемічною хворобою серця(КПІ ім. Ігоря Сікорського, 2015) Яковенко, Альона ВікторівнаДисертація на здобуття наукового ступеня кандидата технічних наук за спеціальністю 05.13.09 – медична та біологічна інформатика і кібернетика. – Міжнародний науково-навчальний центр інформаційних технологій та систем НАН України і МОН України, Київ, 2015. В роботі встановлено комплекси факторів ризику розвитку післяопераційних ускладнень, що дозволяє здійснювати підтримку прийняття рішень при хірургічному лікуванні хворих ішемічною хворобою серця. На основі бінарної логістичної регресії побудовано, із врахуванням комплексу факторів ризику, математичні моделі прогнозування розвитку ускладнень після аорто-коронарного шунтування, що дозволяє в доопераційному періоді прогнозувати розвиток ускладнення в ранньому післяопераційному періоді. Побудовано моделі взаємозв’язків окремих факторів ризику післяопераційних ускладнень з іншими чинниками, які забезпечують можливість опосередкованого впливу на фактори ризику. Побудовано інформаційну технологію, яка включає модуль аналітичної обробки доопераційних та операційних даних, що дозволяє здійснювати прогнозування розвитку післяопераційних ускладнень та подальшу корекцію лікувальних заходів на основі визначення значущих факторів ризику і взаємозв’язків між ними.