| Studiju veids |
maģistra akadēmiskās studijas |
| Studiju programmas nosaukums |
Intelektuālas robotizētas sistēmas |
| Nosaukums |
Attēlu ģenerēšanas metodes ādas slimību klasifikācijas uzlabošanai |
| Nosaukums angļu valodā |
Image Generation Methods for Improving Skin Disease Classification |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Artjoms Supoņenkovs |
| Recenzents |
Ēvalds Urtāns |
| Anotācija |
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. |
| Atslēgas vārdi |
Neirontīkls, attēlu augmentācija, pataloģijas klasifikācija, GAN, VAE, AE, hibrīd modeļi |
| Atslēgas vārdi angļu valodā |
Neural networks, image augmentation, pathology classification, GAN, VAE, AE, hybrid models |
| Valoda |
lv |
| Gads |
2025 |
| Darba augšupielādes datums un laiks |
26.05.2025 23:46:00 |
