| Abstract |
DZIĻĀ MĀCĪŠANĀS, TŪMORS, SMADZENES, MODELIS, MEDICĪNA
Straujā mākslīgā intelekta, īpaši dziļās mācīšanās attīstība ir izraisījusi lielu interesi par medicīnisko attēlu automatizāciju. Dziļās mācīšanās metodes, piemēram, konvolucionālie neironu tīkli (CNN), ir pierādījuši savu efektivitāti dažādās attēlu atpazīšanas jomās, tostarp arī medicīnisko attēlu analīzē. Šīs metodes piedāvā lielu potenciālu smadzeņu audzēju atklāšanas un klasifikācijas automatizācijai, vienlaikus samazinot cilvēku kļūdu iespējamību un palielinot diagnostikas ātrumu un precizitāti.
Neskatoties uz solījumiem, mūsdienu dziļās mācīšanās modeļi, īpaši tie, kas paredzēti smadzeņu audzēju noteikšanai, joprojām saskaras ar grūtībām augstas precizitātes sasniegšanā. Šiem modeļiem bieži vien ir nepieciešams liels apmācību datu apjoms, un to veiktspēju būtiski var ietekmēt attēlu kvalitātes, trokšņu un pacientu dažādības izmaiņas. Tādēļ, pat ja šie modeļi ir ļoti daudzsološi, to praktiskā pielietošana šobrīd ir ierobežota un šajā jomā vēl ir liels attīstības potenciāls.
Bakalaura darba mērķis ir sniegt ieguldījumu šajā jomā, izstrādājot precīzāku dziļās mācīšanās modeli ar labu vizualizāciju, lai nodrošinātu precīzu smadzeņu audzēju noteikšanu un klasifikāciju. Šis darbs potenciāli var palīdzēt diagnostikas procesā, un tā rezultātā tas var dot ieguvumu medicīniskajam personālam un, kas ir vēl svarīgāk – pacientiem, kuri cieš no šīs briesmīgās slimības. Diagnostikas laika samazināšana un precizitātes uzlabošana ir izšķiroši svarīga, īpaši gadījumos, kad ātra iejaukšanās var nozīmēt atšķirību starp dzīvību un nāvi.
Bakalaura darbs sastāv no 65 lapaspusēm; tajā ir iekļauti 33 attēli, 4 tabulas, divi pielikumi un 41 literatūras avots. |
