| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Datorsistēmas |
| Nosaukums |
Plaušu slimību klasifikācija krūškurvja rentgenattēlos, izmantojot dziļās mācīšanās metodes |
| Nosaukums angļu valodā |
Classification of Lung Diseases in Chest X-Ray Images Using Deep Learning Methods |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Artjoms Supoņenkovs |
| Recenzents |
Olga Krutikova |
| Anotācija |
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. |
| Atslēgas vārdi |
Atslēgvārdi: dziļā mācīšanās, medicīnisko attēlu klasifikācija, attēlu priekšapstrāde, konvolucionālie neironu tīkli, ChestX-ray14. |
| Atslēgas vārdi angļu valodā |
Keywords: deep learning, medical image classification, image preprocessing, convolutional neural networks, ChestX-ray14. |
| Valoda |
lv |
| Gads |
2026 |
| Darba augšupielādes datums un laiks |
25.05.2026 22:08:52 |
