Модель співставлення потоків для генерації зображень раку шкіри

Скорочена інформація про документ
dc.contributor.advisorБаздирев, Антон Андрійович
dc.contributor.authorХаритонов, Олександр Дмитрович
dc.date.accessioned2025-10-07T08:45:36Z
dc.date.available2025-10-07T08:45:36Z
dc.date.issued2025
dc.description.abstractДипломна робота: 127 с., 24 рис., 12 табл., 2 дод., 40 джерел. Об’єктом дослідження є програмний комплекс для генерації та аналізу дерматоскопічних зображень раку шкіри на основі моделей із методом зіставлення потоків. Предметом дослідження виступають методи синтетичної генерації зображень, їх якісного оцінювання та впливу штучних даних на точність класифікації шкірних утворень. Метою роботи є розробити й експериментально перевірити конвеєр, що компенсує дефіцит медичних даних і підвищує достовірність діагностики завдяки високоякісній синтетичній аугментації. Актуальність зумовлена гострою нестачею дерматоскопічних знімків злоякісних меланом і суттєвою диспропорцією класів у відкритих наборах даних, що ускладнює навчання сучасних глибинних моделей. Результатом роботи є Python/PyTorch-прототип, який забезпечує швидке генерування зображень, їх автоматичне оцінювання та підвищує AUC класифікатора EfficientNet-B0 після додавання 20 000 синтетичних прикладів до набору даних. Подальший розвиток передбачає клінічну валідацію синтетики, адаптацію методики до мультиспектральних даних і впровадження контролю аномалій.
dc.description.abstractotherBachelor’s thesis: 127 p., 24 figures, 12 tables, 2 appendices, 40 references. The object of the study is a software framework for generating and analysing dermatoscopic skin-cancer images based on FLUX models trained with the FlowMatching approach. The subject of research comprises techniques for synthetic image generation, quality assessment and the influence of artificial data on lesion-classification accuracy. The goal of the work is to design and experimentally validate a pipeline that mitigates data scarcity and improves diagnostic reliability through high-fidelity synthetic augmentation. Relevance is driven by the severe shortage of malignant dermatoscopic images and the strong class imbalance in public datasets, which hinder the training of state-of-the-art deep models. The result of the thesis is a Python/PyTorch prototype that performs fast image generation, automatic quality evaluation and raises the EfficientNet-B0 AUC on ISIC 2024 after adding 20 000 synthetic samples. Further development involves clinical validation of the synthetic data, extension to multispectral modalities and incorporation of anomaly-detection mechanisms.
dc.format.extent138 с.
dc.identifier.citationХаритонов, О. Д. Модель співставлення потоків для генерації зображень раку шкіри : дипломна робота … бакалавра : 124 Системний аналіз / Харитонов Олександр Дмитрович. – Київ, 2025. – 138 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/76620
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectзіставлення потоків
dc.subjectрак шкіри
dc.subjectсинтетичні зображення
dc.subjectнизкорангова адаптація
dc.subjectаугментація даних
dc.subjectглибоке навчання
dc.subjectмедична візуалізація
dc.subjectнезбалансовані дані
dc.subjectflow matching
dc.subjectflux
dc.subjectskin cancer
dc.subjectsynthetic images
dc.subjectlora
dc.subjectdata augmentation
dc.subjectdeep learning
dc.subjectmedical imaging
dc.subjectimbalanced datasets
dc.titleМодель співставлення потоків для генерації зображень раку шкіри
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Kharytonov_bakalavr.pdf
Розмір:
3.63 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (ММСА)
Бакалаврські роботи