Пошук гетерогенних судин при рентгенівській коронарографії через машинне навчання

Скорочена інформація про документ
dc.contributor.advisorСинєглазов, Віктор Михайлович
dc.contributor.authorГоловацький, Михайло Русланович
dc.date.accessioned2025-06-11T13:47:37Z
dc.date.available2025-06-11T13:47:37Z
dc.date.issued2025
dc.description.abstractМагістерська дисертація: 160 с., 76 рис., 18 табл., 32 посилань, додаток. Об’єктом дослідження є цілісний процес діагностування патологій коронарних судин на основі ангіографічних зображень. Предметом дослідження виступають алгоритми глибокого навчання й комп’ютерного зору, призначені для автоматичного виявлення гетерогенних судин, сегментації та класифікації стенозу. Метою роботи є розроблення, теоретичне обґрунтування та експериментальна перевірка комплексної системи, що поєднує дві моделі U‐Net для сегментації коронарних артерій і стенозу та модель ResNet для кількісного визначення ступеня стенозу. Запропонована архітектура забезпечує інтегрований ланцюжок «зображення → сегментація → класифікація», що зменшує суб’єктивний вплив лікаря, скорочує час аналізу та створює підґрунтя для стандартизованого клінічного рішення. Експериментальні дослідження проведено на датасетах ARCADE та CADICA. Наукова новизна полягає в поєднанні каскадних сегментаційних моделей із класифікатором ResNet у єдиній топології, що дає змогу одночасно враховувати морфологію судин і характеристики стенозу, а практичне значення ‐ у можливості інтеграції системи в CAD‐платформи для допоміжної діагностики.
dc.description.abstractotherMaster's thesis: 160 p., 76 figures, 18 tables, 32 references, appendix. The object of the research is the overall diagnostic process based on angiographic imaging of coronary vessels. The subject of the research comprises deep‐learning and computer‐vision algorithms designed to automatically detect heterogeneous vessels, segment stenosis areas and classify their severity. The aim of the study is to design, justify and experimentally validate an integrated system that combines two U‐Net models for coronary‐artery and stenosis segmentation and a ResNet model for quantitative stenosis grading. The proposed architecture forms an end‐to‐end pipeline “image → segmentation → classification”, reducing reader subjectivity, accelerating analysis and laying the groundwork for standardised clinical decision‐making. Experiments on ARCADE and CADICA datasets. The scientific novelty lies in cascading segmentation models with a ResNet classifier within a single topology that jointly exploits vascular morphology and lesion attributes, while the practical value stems from the system’s readiness for integration into computer‐aided diagnosis platforms.
dc.format.extent184 с.
dc.identifier.citationГоловацький, М. Р. Пошук гетерогенних судин при рентгенівській коронарографії через машинне навчання : магістерська дис. : 122 Комп'ютерні науки / Головацький Михайло Русланович. - Київ, 2025. - 184 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/74204
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectпошук гетерогених судин
dc.subjectрентгенівська коронарографія
dc.subjectстеноз
dc.subjectмашинне навчання
dc.subjectавтоматизована діагностика
dc.subjectsearch for heterogeneous vessels
dc.subjectx-ray coronary angiography
dc.subjectstenosis
dc.subjectmachine learning
dc.subjectautomated diagnosis
dc.subject.udc004.85:004.932:616-07](043.3)
dc.titleПошук гетерогенних судин при рентгенівській коронарографії через машинне навчання
dc.typeMaster Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Holovatskyi_magistr.pdf
Розмір:
6.67 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