Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот документ:
https://elib.bsu.by/handle/123456789/308196| Заглавие документа: | Генеративно-созтязательные нейронные сети для обработки рентгеновских изображений: реферат дипломной работы/Ильенков К.С., БГУ, физический факультет, кафедра ядерной физики, руководитель Чернявская Э.А. |
| Авторы: | Ильенков, Кирилл Сергеевич |
| Тема: | ЭБ БГУ::ЕСТЕСТВЕННЫЕ И ТОЧНЫЕ НАУКИ::Физика |
| Дата публикации: | янв-2024 |
| Аннотация: | Дипломная работа состоит из 57 страниц, 7 глав, 21 рисунков, 3 таблиц, 50 источников. Ключевые слова в дипломной работе: НЕЙРОННАЯ СЕТЬ, МЕДИЦИНСКИЕ ИЗОБРАЖЕНИЯ, АНАЛИЗ ДАННЫХ, РЕНТГЕНОВСКИЕ ИЗОБРАЖЕНИЯ, ГЕНЕРАТИВНО-СОСТЯЗАТЕЛЬНАЯ НЕЙРОННАЯ СЕТЬ, GAN, STYLEGAN2, RESNET50. Цель работы: формирование модели идентификации рентгеновских изображений на основе генеративно-состязательных сетей. Актуальность работы: исследование и внедрение глубоких нейронных, а в частности моделей GAN сетей в сферу медицинских исследований позволит улучшить методы скрининга и персонализированные методы лечения. Новизна работы: модернизация сети STYLEGAN2 для добавления ей свойства условной генерации. Использование потерь Вассерштейна для улучшения качества генерируемых изображений STYLEGAN2 модели. Объект и предмет исследования: медицинские изображения, генерация и классификация медицинских изображений. |
| Аннотация (на другом языке): | The diploma thesis consists of 57 pages, 7 chapters, 21 fgures, 3 tables, and 50 references. Keywords of the diploma thesis: NEURAL NETWORK, MEDICAL IMAGES, DATA ANALYSIS, X-RAY IMAGES, GENERATIVE-ADVERSARIAL NETWORK, GAN, STYLEGAN2, RESNET50. The aim of the work is to develop a model for identifying X-ray images based on generative adversarial networks. The relevance of the work is to investigate and implement deep neural networks, particularly GAN models, in the feld of medical research to improve screening methods and personalized treatment. The novelty of the work is the modernization of the STYLEGAN2 network to add conditional generation properties. The use of Wasserstein loss to improve the quality of generated images in the STYLEGAN2 model. The object and subject of the research are medical images, generation, and classifcation of medical images. The results of the work include the development of a c-STYLEGAN2 model for generating X-ray images, which was evaluated using the FID metric. Additionally, the quality of classifcation for the neural network model ResNet50 has been improved, and classifcation metrics have been obtained for this model. A comparison was made between the c-STYLEGAN2 augmentation model and the STYLEGAN2- PSO augmentation model. |
| URI документа: | https://elib.bsu.by/handle/123456789/308196 |
| Лицензия: | info:eu-repo/semantics/openAccess |
| Располагается в коллекциях: | Физика (ядерные физика и технологии). 2024 |
Полный текст документа:
| Файл | Описание | Размер | Формат | |
|---|---|---|---|---|
| Ильенков .pdf | 84,43 kB | Adobe PDF | Открыть |
Все документы в Электронной библиотеке защищены авторским правом, все права сохранены.