Дослідження методів пошуку патологій судин на основі нейромережевої обробки зображень

Abstract

Кваліфікаційна робота магістра складається зі вступу, чотирьох розділів, висновку, переліку використаних джерел та додатків. Роботу присвячено розробленню, теоретичному обґрунтуванню та експериментальній перевірці комплексної системи, що поєднує дві моделі U-Net для сегментації коронарних артерій і стенозу та модель ResNet для кількісного визначення ступеня стенозу. Використання методів машинного навчання та глибокого навчання для автоматизованого аналізу рентгенівських ангіограм відкриває нові можливості для покращення точності діагностики та ефективності лікування. Використання згорткових нейронних мереж, моделей сегментації (наприклад, UNet) та глибокого навчання дозволяє автоматично ідентифікувати гетерогенні судини, визначати ступінь стенозу та аналізувати динаміку змін у судинах пацієнтів. Запропонована архітектура забезпечує інтегрований ланцюжок «зображення-сегментація-класифікація», що зменшує суб’єктивний вплив лікаря, скорочує час аналізу та створює підґрунтя для стандартизованого клінічного рішення. Експериментальні дослідження проведено на датасетах ARCADE та CADICA. В результаті виконання роботи вперше запропоновано систему на основі штучного інтелекту, яка не лише автоматично виявляє гетерогенні судини та визначає ступінь їх ураження, а й здійснює класифікацію стенозу за його давністю, що дозволяє покращити процес діагностики, оскільки лікар отримує не лише інформацію про наявність стенозу, а й дані про його характер, що є ключовим для вибору оптимальної терапевтичної тактики.