Аналіз областей діагностичних медичних томографічних даних при оптимізації архітектури нейронних мереж та модифікації простору параметрів
Тип публікації :
Магістерська робота
Дата випуску :
травень 2026 р.
Автор(и) :
Морозов, Володимир Миколайович
Науковий(і) керівник(и)/редактор(и) :
Мова основного тексту :
Ukrainian
eKNUTSHIR URL :
Цитування :
[APA 7] Морозов, В. М. (2026). Аналіз областей діагностичних медичних томографічних даних при оптимізації архітектури нейронних мереж та модифікації простору параметрів [Магістерська робота, Київський національний університет імені Тараса Шевченка]. eKNUTSHIR.
[ДСТУ] Морозов В. М. Аналіз областей діагностичних медичних томографічних даних при оптимізації архітектури нейронних мереж та модифікації простору параметрів : кваліфікаційна робота магістра : E6 Прикладна фізика та наноматеріали / наук. кер. А. В. Нетреба. Київ, 2026. 67 с.
У роботі розв'язано задачу автоматичної багатокласової сегментації печінки та її функціональних сегментів за класифікацією Куіно на КТ-зображеннях (набір даних 3DIRCADb-01). Для подолання проблем низького контрасту тканин та екстремального просторового дисбалансу класів застосовано архітектуру U-Net із попередньо навченим енкодером сімейства ResNet та комбіновану функцію втрат (Dice Loss + Focal Loss). Проведено комплексний аналіз впливу різних функцій активації (ReLU, LeakyReLU, ELU, PReLU, Swish, SiLU, Mish) на збіжність глибоких мереж. Доведено, що класична функція ReLU забезпечує найкращий баланс між обчислювальною швидкістю та точністю сегментації, тоді як використання складних адаптивних нелінійностей не дає суттєвого приросту метрик завдяки стабілізуючій дії шарів нормалізації. Досліджено ефективність різних стратегій аугментації даних. Встановлено, що стратегія помірної інтенсивності, яка поєднує еластичні
деформації, афінні трансформації та фотометричні перетворення (зокрема адаптивне вирівнювання гістограми CLAHE), діє як найефективніший стохастичний регуляризатор. Це дозволило нівелювати перенавчання, оптимально утилізувати параметричну ємність мережі та досягти високої стабільності результатів сегментації (Binary Liver IoU > 0.90).
деформації, афінні трансформації та фотометричні перетворення (зокрема адаптивне вирівнювання гістограми CLAHE), діє як найефективніший стохастичний регуляризатор. Це дозволило нівелювати перенавчання, оптимально утилізувати параметричну ємність мережі та досягти високої стабільності результатів сегментації (Binary Liver IoU > 0.90).
Галузі знань та спеціальності :
E6 Прикладна фізика та наноматеріали
Галузі науки і техніки (FOS) :
Медичні лабораторні технології (в т.ч. діагностичні технології аналізу лабораторних зразків)
Файл(и) :![Ескіз]()
Вантажиться...
Формат :
Adobe PDF
Розмір :
2.75 MB
Контрольна сума :
(MD5):3e2538392f6d10d1b8f50ecb2ba1540d
Якщо не вказано інше, ця робота розповсюджується на умовах ліцензії Creative Commons Attribution-NonCommercial 4.0 International