Дюмін, Олексій ДмитровичАлхімова, Світлана Миколаївна2025-08-222025-08-222024Дюмін, О. Д. Генерація зображень перфузійних карт засобами глибокого навчання / Дюмін О. Д., Алхімова С. М. // Наука і техніка сьогодні. - 2024. - Вип. №11 (39). - С. 849-866.https://ela.kpi.ua/handle/123456789/75592У даному дослідженні розглядаються сучасні методи глибокого навчання для автоматичної генерації карт різних перфузійних параметрів, які отримують за даними динамічно-сприйнятливої контрастної магнітно-резонансної томографії. Основну увагу приділено аналізу згорткових нейронних мереж, генеративно-змагальних мереж та їх різним модифікаціям, які використовуються для обробки томографічних зображень мозку людини. Викладено особливості застосування класичного методу деконволюції через сингулярний розклад, а також його модифікацій для отримання таких перфузійних параметрів, як мозковий кровотік, обʼєм крові у мозку та середній час проходження контрастної речовини. Проведений аналіз розглянутих сучасних методів глибокого навчання показує, що вони здатні забезпечити досить точну оцінку зазначених перфузійних параметрів. Разом з тим проведений аналіз виявив, що у випадку використання методів глибокого навчання залишаються проблеми, пов’язані з процедурами отримання даних ground truth для навчання і тестування моделей. Наразі у якості ground truth даних у дослідженнях виступають перфузійні карти, отримані за допомогою різних методів деконволюції, а отже надзвичайно відрізняються в залежності від обраного методу деконволюції та страждають від наявності помилкових значень. Обмежений доступ до відповідних наборів ground truth даних ускладнює верифікацію моделей і їх повноцінне тестування. У даному досліджені визначені переваги та недоліки різних архітектур нейронних мереж. Отримані результати свідчать про те, що згорткові нейронні мережі в комбінації з генеративно-змагальними нейронними мережами демонструють кращу точність у порівнянні з іншими. Наведені рекомендації щодо подолання виявлених проблем, зокрема використання нових архітектур нейронних мереж, що дозволяють мінімізувати вплив шуму, а також розширення доступу до наборів ground truth даних для наукових досліджень.ukглибоке навчаннянейронні мережідеконволюціяперфузійні параметрикількісна перфузіядинамічно-сприйнятлива контрастна перфузіямагнітно-резонансна томографіяdeep learningneural networksdeconvolutionperfusion parametersquantitative perfusiondynamic susceptibility contrast-enhanced perfusionmagnetic resonance imagingArticleС. 849-866https://doi.org/10.52058/2786-6025-2024-10(38)-849-866004.932:616-073.756.80000-0002-0196-005X0000-0002-9749-7388