Алхімова, Світлана МиколаївнаДюмін, Олексій Дмитрович2023-04-042023-04-042022-12Дюмін, О. Д. Використання методів глибинного навчання для визначення зони уваги на Т2-зважених зображеннях перфузійної МРТ : магістерська дис. : 122 Комп’ютерні науки / Дюмін Олексій Дмитрович. – Київ, 2022. – 122 с.https://ela.kpi.ua/handle/123456789/54275Магістерська дисертація за темою «Використання методів глибинного навчання для визначення зони уваги на Т2-зважених зображеннях перфузійної МРТ» виконана студентом кафедри біомедичної кібернетики ФБМІ Дюміним Олексієм Дмитровичем зі спеціальності 122 «Комп’ютерні науки» за освітньо-професійною програмою «Комп’ютерні технології в біології та медицині», та складається зі: вступу; 4 розділів («Літературний огляд», «Теоретична частина», «Аналітична частина», «Практична частина»), розділу з розрахунком стартап-проєкту, висновків до кожного з цих розділів; загальних висновків; списку використаних джерел, який налічує 72 найменування. Загальний обсяг роботи 121 сторінка. Актуальність теми. На сьогоднішній день важливу роль у діагностиці та лікуванні цереброваскулярних та онкологічних захворювань відіграє такий метод оцінювання зображень перфузійної МРТ, як динамічно-сприйнятлива контрастна магнітно-резонансна томографія (DSC). Ця методика записує зміни інтенсивності пікселів на динамічних серіях Т2-зважених зображень МРТ, отриманих до, під час та після введення контрастної речовини у судинну систему. Отримана в результаті DSC візуалізація перфузійних характеристик на картах перфузії використовується для виявлення областей з потенційним ураженням та постановки діагнозу. Проте через низький контраст між ураженням і навколишніми тканинами погіршується візуалізація ураження мозку на картах перфузії, що може призвести до помилково високих або хибно низьких результатів оцінки параметрів перфузії.[72] Щоб проблема була вирішена, програмне забезпечення для аналізу перфузійних DSC даних повинно попередньо обробляти дані часової послідовності шляхом сегментації тканин мозку та створювати бінарну маску для так званої зони уваги (ROI).[72] Для вирішення проблеми сегментації зображень була запропонована ідея використання модифікованої згорткової нейронної мережі на основі ResNet. Використання запропонованої нейронної мережі забезпечує найбільш точні результати сегментації та тим самим вирішує основну проблему автоматизованої сегментації. Мета і завдання дослідження. Метою роботи є підвищення точності сегментації Т2-зважених МРТ-зображень за рахунок використання модифікованої нейронної мережі на базі ResNet. Для досягнення поставленої мети необхідно виконати наступні завдання: 1. Реалізувати нейронну мережу на базі ResNet. 2. Знайти та реалізувати модифікації нейронної мережі на основі ResNet. 3. Провести попередній аналіз даних. 4. Дослідити отримані результати сегментації Т2-зважених МРТ-зображень. Об’єкт дослідження. Т2-зважених МРТ-зображень мозку. Предмет дослідження. Сегментація Т2-зважених МРТ-зображень мозку. Методи дослідження. Машинне навчання, згорткова нейронна мережа.122 c.ukСегментаціяМРТТ2U-NetResNetSE-блокMaster Thesis004.932:616-073.756.8