| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Informācijas tehnoloģija |
| Nosaukums |
Dziļās mācīšanās modeļu pielietojumu izpēte krūts vēža agrīnai atklāšanai ultraskaņas attēlos |
| Nosaukums angļu valodā |
Research on Application of Deep Learning Models for Breast Cancer Early Detection in Ultrasound Images |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Sergejs Paršutins |
| Recenzents |
Olga Kotova |
| Anotācija |
Darbs ir veltīts dziļās mācīšanās metožu pielietojuma izpētei krūts vēža agrīnai
diagnostikai, izmantojot ultraskaņas attēlus. Mūsdienu medicīnā krūts vēža agrīna
atklāšana ir būtiska efektīvai ārstēšanai, un dziļās mācīšanās risinājumi tiek arvien
plašāk izmantoti šīs problēmas automatizācijai. Pētījuma sākumā veikta plaša
literatūras avotu analīze, identificējot populārākās izmantotās arhitektūras, datu kopas
un novērtēšanas kritērijus. Pēc teorētiskās izpētes tika sagatavota datu kopa un izvēlēti
atbilstoši klasifikācijas modeļi, balstoties uz literatūrā atklātajiem secinājumiem un
datu kopas specifiku. Darba ietvaros tika izstrādāts sākotnējais risinājums, veikti
vairāki eksperimenti un iegūtie rezultāti analizēti. Pēc tam, izmantojot iteratīvu pieeju, tika uzlabots sākotnējais modelis un izstrādāts alternatīvs risinājums ar pārnešanas
apmācību. Salīdzinātas dažādas modeļu arhitektūras un iegūti rezultāti analizēti pēc
precizitātes un citiem rādītājiem. Darbā iegūtie secinājumi sniedz praktisku ieskatu
dziļās mācīšanās pielietošanai medicīniskajā attēlu analīzē, kā arī norāda uz
iespējamiem uzlabojumiem un turpmākās izpētes virzieniem. Darba apjoms: - 56 lpp.,
4 tabulas, 11 attēli, 35 literatūras avoti. |
| Atslēgas vārdi |
Dziļā mācīšanās, Krūts vēzis, Ultraskaņas attēli, Segmentācijas uzdevums. |
| Atslēgas vārdi angļu valodā |
Deep learning, Breast cancer, Ultrasound images, Segmentation task. |
| Valoda |
lv |
| Gads |
2025 |
| Darba augšupielādes datums un laiks |
25.05.2025 20:21:58 |
