Автоматизація процесу сегментації ультразвукових зображень в медичній діагностиці

Скорочена інформація про документ
dc.contributor.advisorМомот, Андрій Сергійович
dc.contributor.authorЗаболуєва, Марта Юріївна
dc.date.accessioned2024-01-22T16:23:07Z
dc.date.available2024-01-22T16:23:07Z
dc.date.issued2024
dc.description.abstractАктуальність теми. Наразі відзначається широке впровадження комп'ютерних технологій у медицині. Використання та аналіз штучного інтелекту визначають перспективну галузь, що сприяє прискоренню розвитку медичної науки. З метою автоматизації, підвищення ефективності та поліпшення точності методів діагностики пропонується застосування згорткових нейронних мереж. У медицині неможливо уникнути використання зображень, які допомагають лікарям більш ефективно ставити діагнози. Сегментація медичних зображень є важливим етапом обробки. Актуальною задачею є розробка алгоритму для сегментації ультразвукових зображень з метою виявлення та відокремлення новоутворень. Діагностика та лікування раку молочної залози (МЗ) є життєво важливою проблемою у всьому світі. В Україні та світі одним із найбільш поширених онкологічних захворювань серед жінок є саме рак МЗ. Це захворювання – причина смерті кожної дев’ятої жінки. За ранньої правильної діагностики можливо зменшити рівень летальності. Мета і завдання дослідження. Метою роботи є розробка автоматизованої системи сегментації медичних зображень. Для досягнення поставленої мети роботи потрібно вирішити ряд завдань: – провести огляд наукової літератури по темі наукового дослідження, розглянути існуючі розробки в сфері діагностики за допомогою нейронних мереж; – розробити програмні алгоритми; – зробити підбір параметрів і метрик; – провести тестування алгоритму; – навчити нейронну мережу. Об’єкт дослідження – процес автоматизованого аналізу ультразвукових зображень. Предмет дослідження – методи автоматизованої семантичної сегментації ультразвукових медичних зображень. Методи дослідження. Для вирішення поставлених задач проведено аналіз інформації про існуючі розробки в діагностики за допомогою машинного навчання, ознайомлення з теоретичним матеріалом, проведення порівняльного аналізу наявних методів діагностики, архітектур, навчання розроблених алгоритмів. Наукова новизна отриманих результатів. Результатом розробки є система сегментації ультразвукових зображень молочних залоз. Новизна створеної система полягає в підвищенні точності діагностики. Практичне значення отриманих результатів роботи полягає в тому, що отримана система дозволяє автоматизована ефективно діагностувати захворювання. Публікації. За використанням отриманих в кваліфікаційній роботі магістра було опубліковано працю конференції «Підвищення ефективності сегментації ультразвукових зображень із використанням мережі Attention U-Net» у збірник праць XIX Всеукраїнської науково-практичної конференції студентів, аспірантів та молодих вчених «Ефективність та автоматизація інженерних рішень у приладобудуванні». Структура роботи. Кваліфікаційна робота магістра складається з пояснювальної записки та графічних матеріалів. Пояснювальна записка містить вступ, 5 розділів, висновки, список використаних джерел та додатки. Обсяг роботи: пояснювальна записка – 78 аркушів формату А4, 29 ілюстрацій, 29 таблиць, було опрацьовано 42 джерела.uk
dc.description.abstractotherRelevance of the topic. Currently, the wide implementation of computer technologies in medicine is noted. The use and analysis of artificial intelligence define a promising field that contributes to the acceleration of the development of medical science. In order to automate, increase efficiency and improve the accuracy of diagnostic methods, the use of convolutional neural networks is proposed. In medicine, it is impossible to avoid the use of images that help doctors make diagnoses more effectively. Segmentation of medical images is an important stage of processing. An urgent task is the development of an algorithm for the segmentation of ultrasound images for the purpose of detecting and separating neoplasms. Diagnosis and treatment of breast cancer is a vital problem worldwide. In Ukraine and in the world, one of the most common oncological diseases among women is cervical cancer. This disease is the cause of death of every ninth woman. With early correct diagnosis, it is possible to reduce the mortality rate. The purpose and tasks of the research. The aim of the work is the development of an automated system of segmentation of medical images. To achieve the set goal of the work, a number of tasks must be solved: – conduct a review of scientific literature on the topic of scientific research, consider existing developments in the field of diagnostics using neural networks; – develop software algorithms; – select parameters and metrics; – test the algorithm; – train a neural network. Object of research – the process of automated analysis of ultrasound images. Subject of research – methods of automated semantic segmentation of ultrasound medical images. Research methods. To solve the problems, an analysis of information on existing developments in diagnostics using machine learning, familiarization with theoretical material, comparative analysis of available diagnostic methods, architectures, training of developed algorithms was carried out. Scientific novelty of the obtained results. The result of the development is a system of segmentation of ultrasound images of mammary glands. The novelty of the created system lies in increasing the accuracy of diagnostics. The practical significance of the obtained work results is that the obtained system allows automated and effective diagnosis of diseases. Publications. The work of the conference "Increasing the efficiency of ultrasound image segmentation using the Attention U-Net" was published in the collection of proceedings of the XIX All-Ukrainian Scientific and Practical Conference of Students, Postgraduates and Young Scientists "Efficiency and Automation of Engineering Solutions in Instrumentation" using the results obtained in the master's qualification work. Structure of work. The master's qualification work consists of an explanatory note and graphic materials. The explanatory note contains an introduction, 5 chapters, conclusions, a list of used sources and appendices. Scope of work: explanatory note – 78 sheets of A4 format, 29 illustrations, 29 tables, 42 sourcesuk
dc.format.extent85 с.uk
dc.identifier.citationЗаболуєва, М .Ю. Автоматизація процесу сегментації ультразвукових зображень в медичній діагностиці : магістерська дис. : 151 Автоматизація та комп'ютерно-інтегровані технології / Заболуєва Марта Юріївна. – Київ, 2024.– 85 с.uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/63960
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.subjectсегментаціяuk
dc.subjectультразвукuk
dc.subjectнейронні мережіuk
dc.subjectмедичні зображенняuk
dc.subjectsegmentationuk
dc.subjectultrasounduk
dc.subjectneural networksuk
dc.subjectmedical imagesuk
dc.titleАвтоматизація процесу сегментації ультразвукових зображень в медичній діагностиціuk
dc.title.alternativeAutomation of ultrasound image segmentation in medical diagnosticsuk
dc.typeMaster Thesisuk

Файли

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

Зібрання

Магістерські роботи (АСНК)
Магістерські роботи