| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Datorsistēmas |
| Nosaukums |
Liela apjoma datu kopu izmantošana, lai uzlabotu diagnostiku ierobežotā multispektrālās ādas attēlošanā |
| Nosaukums angļu valodā |
Using Large-Scale Datasets to Enhance Diagnosis in Limited Multi-Spectral Skin Imaging |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Dmitrijs Bļizņuks |
| Recenzents |
Maksims Terjohins |
| Anotācija |
Dziļā mācīšanās ir panākusi ievērojamu progresu dermatoloģisko attēlu analīzē, taču tās klīnisko ieviešanu ierobežo pieejamo mācību datu nelielais apjoms. Lielie publiski pieejamie datu kopumi, piemēram, HAM10000, sastāv gandrīz vienīgi no standarta RGB dermoskopijas attēliem, kas uzņemti baltajā gaismā, savukārt patentētie klīniskie datu kopumi, kas iegūti ar multispektrālajām ierīcēm šaurjoslas apgaismojumā, joprojām ir salīdzinoši nelieli un grūti paplašināmi.
Šajā bakalaura darbā šī nepilnība tiek novērsta, izmantojot divas savstarpēji papildinošas stratēģijas četru klases ādas bojājumu klasifikācijas uzdevumam, kas aptver bazālo šūnu karcinomu, labdabīgo keratozi, melanomu un melanocītisko nevusu. Pirmā ir multimodālā mācīšanās platforma MultiModalSkinNet, kas apvieno attēlu pamatstruktūru EfficientNet-B0 ar vieglāku metadatu atzaru, kas apstrādā pacienta vecumu, dzimumu un bojājuma lokalizāciju. Otrā ir daudzpakāpju pārneses mācīšanās stratēģija, kas pakāpeniski pielāgo vienu pamatstruktūru no ImageNet, izmantojot HAM10000, līdz patentētajai multispektrālajai datu kopai.
Modelis tika novērtēts, izmantojot 5-kārtīgu stratificētu grupu savstarpējo validāciju abos datu kopumos. Rezultāti apstiprina, ka klīniskie metadati nodrošina ievērojamu un stabilu uzlabojumu salīdzinājumā ar modeļiem, kas balstās tikai uz attēliem, un ka nozarei atbilstoša starpposma iepriekšēja apmācība ir efektīva stratēģija, lai pārnestu zināšanas no lieliem RGB ādas datu kopumiem uz mazākiem multispektrāliem datu kopumiem.
Šī bakalaura darba kopējais apjoms pašlaik ir 76 lappuses, un tajā ir iekļauta 1 formula, 39 tabulas, 117 attēli, 26 pielikumi un 64 atsauces. |
| Atslēgas vārdi |
datorredze, multimodālā apmācība, pārnesamā apmācība, medicīnisko attēlu analīze, daudzslāņu perceptrons (MLP), ādas bojājumu klasifikācija |
| Atslēgas vārdi angļu valodā |
Computer Vision, Multimodal Learning, Transfer Learning, Medical Image Analysis, Multilayer Perceptron (MLP), Skin Lesion Classification |
| Valoda |
eng |
| Gads |
2026 |
| Darba augšupielādes datums un laiks |
26.05.2026 23:04:45 |
