| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Viedās datortehnoloģijas |
| Nosaukums |
Krūts vēža segmentēšanas un analīzes metožu izstrāde, izmantojot ultrasonogrāfiskus attēlus |
| Nosaukums angļu valodā |
Development of Advanced Methods for Breast Cancer Segmentation and Analysis Using Ultrasound Imaging |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Artjoms Supoņenkovs |
| Recenzents |
Mihails Kovaļovs |
| Anotācija |
Darbs ir veltīts krūts vēža segmentēšanas un analīzes algoritmu izstrādei, izmantojot ultrasonogrāfiskos attēlus. Darba mērķis ir izstrādāt un salīdzināt četrus dažādus panoptic segmentēšanas algoritmus, kas balstīti gan uz konvolūciju neironu tīkliem (CNN), gan uz transformatoru modeļiem. Darbā ir saprakstīti četri algoritmi: Panoptic FPN, Panoptic-DeepLab, Mask2Former, Panoptic SegFormer. Tiks pētīta šo algoritmu efektivitāte attiecībā uz krūts vēža audzēju identificēšanu un segmentēšanu, kā arī to precizitāte un darbības ātrums. Darbā tiks veikti eksperimenti, lai novērtētu priekšapstrādes un pēcapstrādes metožu ietekmi uz modeļu precizitāti, kā arī tiks aplūkots, kā ģenerētie sintētiskie attēli var uzlabot apmācību un modeļa darbības rezultātus. Tiks izmantotas vairākas vērtēšanas metodes, piemēram, Dice koeficients, IoU, precizitāte un atgūšana, lai salīdzinātu modeļu veiktspēju. Iegūtie rezultāti palīdzēs noteikt visefektīvāko algoritmu krūts vēža segmentēšanai un analīzei, kas varētu uzlabot diagnostikas procesus.
Šajā bakalaura darbā ir 77 lappuses, 51 attēli, 2 tabulas, 1 pielikumi un 40 izmantoti informācijas avoti. |
| Atslēgas vārdi |
krūts vēzis, ultrasonogrāfija, attēlu segmentēšana, attēlu analīze, mašīnmacīšanās |
| Atslēgas vārdi angļu valodā |
breast cancer, ultrasound, image segmentation, image analysis, machine learning |
| Valoda |
lv |
| Gads |
2025 |
| Darba augšupielādes datums un laiks |
27.05.2025 17:37:18 |
