| Form of studies |
Bachelor |
| Title of the study programm |
Computer Systems |
| Title in original language |
Plaušu slimību klasifikācija krūškurvja rentgenattēlos, izmantojot dziļās mācīšanās metodes |
| Title in English |
Classification of Lung Diseases in Chest X-Ray Images Using Deep Learning Methods |
| Department |
Faculty Of Computer Science Information Tehnology And Energy |
| Scientific advisor |
Artjoms Supoņenkovs |
| Reviewer |
Olga Krutikova |
| Abstract |
Šajā bakalaura darbā tiek pētītas dziļās mācīšanās metodes plaušu slimību
automātiskai klasifikācijai pēc krūškurvja rentgena attēliem (Chest X-Ray). Pētījuma
aktualitāti nosaka augstā elpošanas sistēmas slimību izplatība un nepieciešamība
paaugstināt diagnostikas ātrumu un precizitāti. Darbā tiek aplūkotas mūsdienīgas
medicīnisko attēlu analīzes pieejas, tostarp konvolucionālie neironu tīkli (CNN),
transfer learning, datu balansēšanas metodes un mākslīgā intelekta modeļu
interpretācijas pieejas.
Darba mērķis ir salīdzināt un novērtēt dziļās mācīšanās metodi krūškurvja
rentgenogrammu klasifikācijai, izmantojot NIH ChestX-ray14 datu kopu.
Darbā tika veikta attēlu priekšapstrāde, izmantojot populāras metodes (CLAHE,
BILATERAL, HISTNORM, Gaussian Blur), kā arī datu augmentācija apmācības laikā.
Modeļu apmācībā tika izmantotas transfer learning un fine-tuning metodes, kas ļauj
uzlabot klasifikācijas kvalitāti ierobežotu skaitļošanas resursu apstākļos. Modeļu
kvalitātes novērtēšana tika veikta, izmantojot accuracy, precision, recall, F1-score un
Train/Val accuracy metriku. Tika veikta arī dažādu arhitektūru apmācības rezultātu
salīdzinošā analīze un izpētīta datu priekšapstrādes metožu ietekme uz klasifikācijas
gala precizitāti.
Pētījuma rezultāti parādīja, ka visi aplūkotie modeļi spēj efektīvi klasificēt
patoloģijas krūškurvja rentgena attēlos, tomēr DenseNet121 kopā ar Bilateral Filter
priekšapstrādes metodi demonstrēja vislabāko precizitātes un stabilitātes attiecību starp
pētītajām arhitektūrām. Darbs apstiprina dziļās mācīšanās metožu perspektivitāti
medicīniskās diagnostikas uzdevumos un demonstrē iespēju izveidot intelektuālas ārstu
lēmumu pieņemšanas atbalsta sistēmas, kuru pamatā ir CXR attēlu analīze.
Darba apjoms ir 94 lappuses, tas satur attēlus, tabulas, pielikumus un izmantoto
informācijas avotu sarakstu. |
| Keywords |
Atslēgvārdi: dziļā mācīšanās, medicīnisko attēlu klasifikācija, attēlu priekšapstrāde, konvolucionālie neironu tīkli, ChestX-ray14. |
| Keywords in English |
Keywords: deep learning, medical image classification, image preprocessing, convolutional neural networks, ChestX-ray14. |
| Language |
lv |
| Year |
2026 |
| Date and time of uploading |
25.05.2026 22:08:52 |
