Сегментація медичних зображень на основі використання гібридних методів напівконтрольованого навчання

Скорочена інформація про документ
dc.contributor.advisorСинєглазов, Віктор Михайлович
dc.contributor.authorШеруда, Андрій Володимирович
dc.date.accessioned2025-02-27T10:31:09Z
dc.date.available2025-02-27T10:31:09Z
dc.date.issued2024
dc.description.abstractМагістерська дисертація: 98 с., 9 рис., 4 табл., 17 посилань, додаток. Назва дослідження: «Сегментація медичних зображень на основі використання гібридних методів напівконтрольованого навчання» Об’єкт дослідження: медичні зображення та їх сегментація за допомогою гібридних методів напівконтрольованого навчання. Предмет дослідження: алгоритми навчання та архітектури моделей сегментації медичних зображень на основі гібридних методів напівконтрольованого навчання. Мета роботи: розробка та дослідження гібридних методів напівконтрольованого навчання для сегментації медичних зображень з метою підвищення точності, ефективності та адаптивності сегментації при обмеженій кількості розмічених даних. Наукова новизна: запропоновано новий метод навчання моделі сегментації на основі гібрідного методу напівконтрольованого навчання. Цю роботу присвячено дослідженню та розробці нового метода навчання моделей семантичної сегментації послідовностей медичних зображень. Сам метод базується на основі двох гібридних методів напівконтрольованого навчання – co-learning та автоенкодер. Описаний новітній підхід відкриває нові перспективи для схожих задач та вирішує важливу проблему сегментації медичних зображень.
dc.description.abstractotherMaster's thesis: 98 p., 9 figures, 4 tables, 17 references, appendix. Title of the study: "Segmentation of medical images based on the use of hybrid semi-supervised learning methods" Object of the study: medical images and their segmentation using hybrid semi-supervised learning methods. Subject of the study: learning algorithms and architecture of medical image segmentation models based on hybrid semi-supervised learning methods. Purpose of the work: Development and research of hybrid semi-supervised learning methods for medical image segmentation in order to increase the accuracy, efficiency and adaptability of segmentation with a limited amount of labeled data. Scientific novelty: we propose a new method for training a segmentation model based on a hybrid semi-supervised learning method. This work is devoted to the research and development of a new method for training semantic segmentation models of a complex of medical images. The method itself is based on two hybrid semi-supervised learning methods - co-learning and auto-conder. The described new approach opens up new prospects for similar tasks and solves an important problem of medical image segmentation.
dc.format.extent98 с.
dc.identifier.citationШеруда, А. В. Сегментація медичних зображень на основі використання гібридних методів напівконтрольованого навчання : магістерська дис. : 122 Комп'ютерні науки / Шеруда Андрій Володимирович. - Київ, 2024. - 98 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/72728
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectsegmentation
dc.subjectmedical images
dc.subjectcnn
dc.subjectrnn
dc.subjectsemi-supervised learning
dc.subject.udc004.85:004.93’1:61](043.3)
dc.titleСегментація медичних зображень на основі використання гібридних методів напівконтрольованого навчання
dc.typeMaster Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Sheruda_magistr.pdf
Розмір:
1.57 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

Магістерські роботи (ШІ)
Магістерські роботи