| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Viedās datortehnoloģijas |
| Nosaukums |
Klasisko un dziļās mācīšanās metožu salīdzinošs novērtējums zobu rentgenattēlu segmentācijai |
| Nosaukums angļu valodā |
Comparative Evaluation of Classical and Deep Learning Methods for Dental X-Ray Segmentation |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Artjoms Supoņenkovs |
| Recenzents |
Andrejs Bondarenko |
| Anotācija |
Bakalaura darbs veltīts klasisko un dziļās mācīšanās metožu salīdzinošam
novērtējumam zobu rentgenattēlu segmentācijai. Zobu rentgenattēlu manuāla analīze ir
laikietilpīga un pakļauta cilvēka kļūdām, tāpēc pieaug nepieciešamība pēc
automatizētām segmentācijas metodēm, taču nav viennozīmīgi noteikts kura metode ir
optimāla praktiskai lietošanai.
Darba mērķis ir salīdzināt un novērtēt klasisko un dziļās mācīšanās metožu
piemērotību zobu rentgenattēlu segmentācijai. Eksperimentālajā daļā, izmantojot
vienotu 598 panorāmas rentgenattēlu datu kopu, kurā anotēti 15318 zobi, tika apmācīti
un ar vienotām metrikām (Dice koeficientu un IoU) novērtēti trīs dziļās mācīšanās
modeļi – U-Net, U-Net++ un Mask R-CNN.
Rezultāti rāda, ka binārajā segmentācijā visi trīs modeļi sasniedz līdzīgu precizitāti
(Dice 89-90%) un uzticami atdala zobus no fona. Daudzklašu segmentācijā, kur katram
zobam jāpiešķir pareiza klase, U-Net un U-Net++ ievērojami pārspēj Mask R-CNN
(Dice attiecīgi 78,01%, 77,87% un 34,92%). Darbā secināts, ka ierobežota datu apjoma
apstākļos semantiskās segmentācijas modeļi, it īpaši U-Net, ir praktiski izdevīgākā
izvēle, savukārt Mask R-CNN potenciāls pilnībā atklātos tikai ar lielāku apmācības datu
kopu.
Bakalaura darbs uzrakstīts latviešu valodā, tā apjoms ir 70 lappuses, 28 attēli, 2
tabulas un 59 literatūras avoti. |
| Atslēgas vārdi |
zobu rentgenattēli, attēlu segmentācija, dziļā mācīšanās, U-Net, Mask R-CNN |
| Atslēgas vārdi angļu valodā |
dental X-rays, image segmentation, deep learning, U-Net, Mask R- CNN |
| Valoda |
lv |
| Gads |
2026 |
| Darba augšupielādes datums un laiks |
26.05.2026 23:04:03 |
