Дослідження легеневих аномалій шляхом використання машинного навчання
Тип публікації :
Бакалаврська робота
Дата випуску :
2023
Автор(и) :
Карпенко Аліса Юріївна
Мова основного тексту :
ua
eKNUTSHIR URL :
Цитування :
[APA 7] Карпенко, А. Ю. (2023). Дослідження легеневих аномалій шляхом використання машинного навчання [Бакалаврська робота, Київський національний університет імені Тараса Шевченка]. eKNUTSHIR. https://ir.library.knu.ua/handle/123456789/5665
[ДСТУ] Карпенко А. Ю. Дослідження легеневих аномалій шляхом використання машинного навчання : кваліфікаційна робота бакалавра : 11 Математика та статистика. Київ, 2023. 48 с. URL: https://ir.library.knu.ua/handle/123456789/5665 (дата звернення: 25.07.2026).
Мета роботи — аналіз вже існуючих рішень для розпізнавання легеневих аномалій та практична реалізація деякого методу.
Об’єкт дослідження — автоматизоване розпізнавання легеневих аномалій засобами машинного навчання.
У ході виконання роботи було розглянуто технологію КТ-сканування, вигляд знімків та їх особливості, деякі ознаки наявності патологій і алгоритми машинного навчання, які дозволяють автоматизувати процес виявлення аномалій.
Серед розглянутих алгоритмів були алгоритми, які як використовували глибоке навчання, так і ні. Серед алгоритмів глибокого навчання вивчалися згорткові нейронні мережі, які були розроблені для біомедичних цілей. Мережі є успішним засобом розпізнавання об’єктів на біомедичних
зображеннях, що дозволяє їх використовувати для створення продуктів, які можна використовувати в реальних умовах.
Для практичної реалізації було обрано N-Net. Її було реалізовано засобами мови Python.
Ключові слова : рак легенів, КТ, машинне навчання, згорткові нейронні мережі, LUNA16, U-Net, N-Net.
Об’єкт дослідження — автоматизоване розпізнавання легеневих аномалій засобами машинного навчання.
У ході виконання роботи було розглянуто технологію КТ-сканування, вигляд знімків та їх особливості, деякі ознаки наявності патологій і алгоритми машинного навчання, які дозволяють автоматизувати процес виявлення аномалій.
Серед розглянутих алгоритмів були алгоритми, які як використовували глибоке навчання, так і ні. Серед алгоритмів глибокого навчання вивчалися згорткові нейронні мережі, які були розроблені для біомедичних цілей. Мережі є успішним засобом розпізнавання об’єктів на біомедичних
зображеннях, що дозволяє їх використовувати для створення продуктів, які можна використовувати в реальних умовах.
Для практичної реалізації було обрано N-Net. Її було реалізовано засобами мови Python.
Ключові слова : рак легенів, КТ, машинне навчання, згорткові нейронні мережі, LUNA16, U-Net, N-Net.
Галузі знань та спеціальності :
11 Математика та статистика
113 Прикладна математика
Файл(и) :![Ескіз]()
Вантажиться...
Формат :
Adobe PDF
Розмір :
3.5 MB
Контрольна сума :
(MD5):748039faf5bad371022168f87f5bbbf4
Якщо не вказано інше, ця робота розповсюджується на умовах ліцензії Creative Commons Attribution-NonCommercial 4.0 International