| Form of studies |
Master |
| Title of the study programm |
Intelligent robotic systems |
| Title in original language |
Attēlu ģenerēšanas metodes ādas slimību klasifikācijas uzlabošanai |
| Title in English |
Image Generation Methods for Improving Skin Disease Classification |
| Department |
Faculty Of Computer Science Information Tehnology And Energy |
| Scientific advisor |
Artjoms Supoņenkovs |
| Reviewer |
Ēvalds Urtāns |
| Abstract |
Šis maģistra darbs ir virzīts uz risinājumu meklēšanu ādas slimību datu kopas paplašināšanai (augmentācijai), izmantojot neirontīklus un attēlu ģenerēšanas modeļus. Attēlu datu trūkums ir būtisks izaicinājums ādas slimību klasifikācijā. Lai risinātu šo problēmu, darbā ir izvirzīti divi pētniecības virzieni: parastu ādas slimību attēlu augmentācija un attēlu ģenerēšana ar slimību sadursmēm.
Maģistra darba teorētiskajā daļā ir apskatītas dažādas realizētas tehnoloģijas un metodes, piemēram, AE, VAE, GAN, kā arī dažādas attēlu novērtēšanas metrikas un arī klašu balansēšanas pieejas. Praktiskajā daļā ir izstrādāti trīs AE-GAN modeļi, kuri spēj ģenerēt gan parastus ādas bildes, gan attēlus ar slimību sadursmēm. Ģenerētie slimību sadursmju attēli ir veiksmīgi izveidoti un nosūtīti ārstiem, kuri apstiprināja pētījuma lietderību. Trīs eksperimenta laikā ir pieradīts, ka AE-GAN bāzēta augmentacija uzlabo neirontīkla klasifikācijas rezultātus, salīdzinot ar klasisko augmentāciju. Gala precizitāte, izmantojot AE-GAN augmentāciju ir iegūta 80,39%.
Šajā maģistra darbā ir 91 lappuses, 69 attēli, 11 tabulas, 2 pielikumi un 36 izmantoti informācijas avoti. |
| Keywords |
Neirontīkls, attēlu augmentācija, pataloģijas klasifikācija, GAN, VAE, AE, hibrīd modeļi |
| Keywords in English |
Neural networks, image augmentation, pathology classification, GAN, VAE, AE, hybrid models |
| Language |
lv |
| Year |
2025 |
| Date and time of uploading |
26.05.2025 23:46:00 |
