Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот ресурс:
http://hdl.handle.net/11701/32412
Полная запись метаданных
Поле DC | Значение | Язык |
---|---|---|
dc.contributor.advisor | Шиманчук Дмитрий Викторович | ru_RU |
dc.contributor.advisor | Simancuk Dmitrij Viktorovic | en_GB |
dc.contributor.author | Кванчиани Карина Шавкановна | ru_RU |
dc.contributor.author | Kvanciani Karina Savkanovna | en_GB |
dc.contributor.editor | Блеканов Иван Станиславович | ru_RU |
dc.contributor.editor | Blekanov Ivan Stanislavovic | en_GB |
dc.date.accessioned | 2021-08-07T09:11:34Z | - |
dc.date.available | 2021-08-07T09:11:34Z | - |
dc.date.issued | 2021 | |
dc.identifier.other | 062294 | en_GB |
dc.identifier.uri | http://hdl.handle.net/11701/32412 | - |
dc.description.abstract | Медицинская визуализация играет важную роль в диагностике и лечении раковых заболеваний. Она позволяет без лишних задержек поставить диагноз, составить план лечения, наблюдать за перемещением и ростом опухоли, очерчивать ее в реальном времени. Сегментация снимков опухолей является трудоемкой задачей и требует высокой квалификации для выполнения вручную. Автоматизация этого процесса с применением технологий искусственного интеллекта частично решает проблему, однако обучение нейронных сетей осложняется из-за недостаточного количества качественных данных. В данной работе предлагается метод повышения качества изображений на основе генеративно-состязательной сети для наиболее точных детекции и сегментации опухолей. Построенный алгоритм позволяет повысить качество и точность диагностики и, как следствие, снизить риск нежелательного хирургического вмешательства и ложноотрицательных результатов. | ru_RU |
dc.description.abstract | Medical visualization is a critical technique for cancer diagnosis and treatment. It allows doctors to make a diagnosis on time, come up with a treatment plan, monitor the tumor development process and find it's outlines in real-time. Manual tumor image segmentation is a very complex and time-consuming task that requires high experience. This process can be automated with modern artificial intelligence technologies, but neural network training is not trivial for this task because of lack of training data and poor image quality. This work proposes an image processing technique based on a generative adversarial network. This technique dramatically improves tumor segmentation and detection precision. The proposed algorithm helps to improve diagnosis quality and as a consequence, eliminate unnecessary surgical intervention risk as well as a false-negative result. | en_GB |
dc.language.iso | ru | |
dc.subject | медицинская визуализация | ru_RU |
dc.subject | сегментация опухолей | ru_RU |
dc.subject | детекция опухолей | ru_RU |
dc.subject | автоматизированные методы | ru_RU |
dc.subject | повышение разрешения | ru_RU |
dc.subject | medical visualization | en_GB |
dc.subject | tumor segmentation | en_GB |
dc.subject | tumor detection | en_GB |
dc.subject | automated methods | en_GB |
dc.subject | super resolution | en_GB |
dc.title | Neural network methods of medical images enhancement to tumor detection and segmentation | en_GB |
dc.title.alternative | Нейросетевые методы повышения качества медицинских изображений для обнаружения и сегментации опухолей | ru_RU |
Располагается в коллекциях: | BACHELOR STUDIES |
Файлы этого ресурса:
Файл | Описание | Размер | Формат | |
---|---|---|---|---|
Nejrosetevye_metody_povysenia_kacestva_medicinskih_izobrazenij_dla_obnaruzenia_i_segmentacii_opuholej.pdf | Article | 2,73 MB | Adobe PDF | Просмотреть/Открыть |
reviewSV_Otzyv_Kvanciani.pdf | ReviewSV | 203,45 kB | Adobe PDF | Просмотреть/Открыть |
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.