| Form of studies |
Bachelor |
| Title of the study programm |
Computer Systems |
| Title in original language |
Liela apjoma datu kopu izmantošana, lai uzlabotu diagnostiku ierobežotā multispektrālās ādas attēlošanā |
| Title in English |
Using Large-Scale Datasets to Enhance Diagnosis in Limited Multi-Spectral Skin Imaging |
| Department |
Faculty Of Computer Science Information Tehnology And Energy |
| Scientific advisor |
Dmitrijs Bļizņuks |
| Reviewer |
Maksims Terjohins |
| Abstract |
Dziļā mācīšanās ir panākusi ievērojamu progresu dermatoloģisko attēlu analīzē, taču tās klīnisko ieviešanu ierobežo pieejamo mācību datu nelielais apjoms. Lielie publiski pieejamie datu kopumi, piemēram, HAM10000, sastāv gandrīz vienīgi no standarta RGB dermoskopijas attēliem, kas uzņemti baltajā gaismā, savukārt patentētie klīniskie datu kopumi, kas iegūti ar multispektrālajām ierīcēm šaurjoslas apgaismojumā, joprojām ir salīdzinoši nelieli un grūti paplašināmi.
Šajā bakalaura darbā šī nepilnība tiek novērsta, izmantojot divas savstarpēji papildinošas stratēģijas četru klases ādas bojājumu klasifikācijas uzdevumam, kas aptver bazālo šūnu karcinomu, labdabīgo keratozi, melanomu un melanocītisko nevusu. Pirmā ir multimodālā mācīšanās platforma MultiModalSkinNet, kas apvieno attēlu pamatstruktūru EfficientNet-B0 ar vieglāku metadatu atzaru, kas apstrādā pacienta vecumu, dzimumu un bojājuma lokalizāciju. Otrā ir daudzpakāpju pārneses mācīšanās stratēģija, kas pakāpeniski pielāgo vienu pamatstruktūru no ImageNet, izmantojot HAM10000, līdz patentētajai multispektrālajai datu kopai.
Modelis tika novērtēts, izmantojot 5-kārtīgu stratificētu grupu savstarpējo validāciju abos datu kopumos. Rezultāti apstiprina, ka klīniskie metadati nodrošina ievērojamu un stabilu uzlabojumu salīdzinājumā ar modeļiem, kas balstās tikai uz attēliem, un ka nozarei atbilstoša starpposma iepriekšēja apmācība ir efektīva stratēģija, lai pārnestu zināšanas no lieliem RGB ādas datu kopumiem uz mazākiem multispektrāliem datu kopumiem.
Šī bakalaura darba kopējais apjoms pašlaik ir 76 lappuses, un tajā ir iekļauta 1 formula, 39 tabulas, 117 attēli, 26 pielikumi un 64 atsauces. |
| Keywords |
datorredze, multimodālā apmācība, pārnesamā apmācība, medicīnisko attēlu analīze, daudzslāņu perceptrons (MLP), ādas bojājumu klasifikācija |
| Keywords in English |
Computer Vision, Multimodal Learning, Transfer Learning, Medical Image Analysis, Multilayer Perceptron (MLP), Skin Lesion Classification |
| Language |
eng |
| Year |
2026 |
| Date and time of uploading |
26.05.2026 23:04:45 |
