Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал: http://elartu.tntu.edu.ua/handle/lib/29663
Назва: Розробка та апробація автоматизованих технологій розпізнавання радіологічних зображень та діагностування захворювань на їх основі з використанням нейронних мереж
Інші назви: Development and testing of automated technologies for radiological image recognition and diagnosis of diseases based on them using neural networks
Автори: Дорофей, Валентин Вікторович
Паляниця, Назар Мирославович
Dorofei, Valentyn
Palyanytsya, Nazar
Приналежність: Тернопільський національний технічний університет імені Івана Пулюя
Кафедра автоматизації технологічних процесів і виробництв
Бібліографічний опис: Дорофей В.В., Паляниця Н.М., Розробка та апробація автоматизованих технологій розпізнавання радіологічних зображень та діагностування захворювань на їх основі з використанням нейронних мереж, дипломна робота магістра за спеціальністю „151 — автоматизація та комп’ютерно-інтегровані технології“/ І. В.В. Дорофей, Н.М. Паляниця, — Тернопіль: ТНТУ, 2019. — 181с.
Дата публікації: 20-гру-2019
Дата подання: 20-гру-2019
Дата внесення: 23-гру-2019
Видавництво: Тернопільський національний технічний університет ім. І. Пулюя, Факультет прикладних інформаційних технологій та електроінженерії, Кафедра автоматизації технологічних процесів і виробництв
Країна (код): UA
Місце видання, проведення: Тернопільський національний технічний університет ім. І. Пулюя, Факультет прикладних інформаційних технологій та електроінженерії, Кафедра автоматизації технологічних процесів і виробництв
Установа захисту: ЕК №43, 2019 р.
Науковий керівник: Коноваленко, Ігор Володимирович
Konovalenko, Ihor
Члени комітету: Добротвор, Ігор Григорович
УДК: 004.89
Теми: 151
автоматизація та комп’ютерно-інтегровані технології
машинне навчання
згорткові нейронні мережі
хвороби дихальних шляхів
радіологічне зображення
розмічування зображень
комп'ютерна діагностика
нейромрежевий класифікатор
machine learning
conventional neural networks
respiratory diseases
radiological image
distribution images
computer aided diagnosis
neural network classifier
Кількість сторінок: 181
Діапазон сторінок: 1-181
Короткий огляд (реферат): В магістерській роботі проведено аналіз наявних методів розпізнавання зображень та методів застосування машинного навчання в медицині. Виконано розроблення програмного пакету для розмічування радіологічних зображень а також власне розмічування цих зображень для їх розпізнавання та діагностування захворювань.
In the master's work the analysis of the available methods of image recognition and use of machine learning methods in medicine is carried out. The software package for marking radiological images has been developed, as well as the actual marking of these images for their recognition and diagnosis of diseases.
Опис: Робота виконана на кафедрі автоматизації технологічних процесів і виробництв факультету прикладних інформаційних технологій та електроінженерії Тернопільського національного технічного університету імені Івана Пулюя Міністерства освіти і науки України. Захист відбудеться «23» грудня 2019р.о 8.00год. на засіданні екзаменаційної комісії №43 у Тернопільському національному технічному університеті імені Івана Пулюя
Зміст: Вступ 8 1 Аналітична частина. Загальний огляд проблематики. вибір та опис використаних систем та методів 10 1.1 Обробка зображення та розпізнавання образів 10 1.1.1 Обробка зображення 10 1.1.2 Розпізнавання образів 12 1.2 Діагностика хвороб за допомогою аналізу зображень 16 1.2.1 Медична візуалізація 16 1.2.2 Комп'ютерна діагностика медичних зображень 17 1.2.3 Сучасний стан досліджень КД 18 1.2.4 Виявлення легеневих вузликів на ЗП та бічних рентгенограмах грудної клітки 19 1.2.5 Виявлення переломів хребців на бічних рентгенограмах грудної клітки 20 1.2.6 Виявлення внутрішньочерепної аневризми при МРА 20 1.2.7 Виявлення змін інтервалів у послідовних скануваннях кісток усього тіла 21 2 Науково-дослідна частина Формати медичних зображень 22 2.1 Особливості медичних зображень 22 2.1.1 Глибина пікселя 23 2.1.2 Фотометрична інтерпретація 24 2.1.3 Метадані 25 2.1.4 Дані пікселів 26 2.2 Стандартні формати зображень в медицині 27 2.2.1 BMP 28 2.2.2 TIFF 29 2.2.3 JPEG 29 2.2.4 GIF 30 2.2.5 MPEG 30 2.3 Спеціальні медичні формати 31 2.3.1 Analyze 31 2.3.2 Nifti 32 2.3.3 Minc 33 2.4 DICOM 34 3 Технологічна частина згорткові нейронні мережі 37 3.1 Штучні нейронні мережі 37 3.1.1 Перенавчання 38 3.2 Згорткові нейронні мережі 38 3.3 Архітектура ЗНН 39 3.3.1 Загальна архітектура 40 3.3.2 Згортковий шар 41 3.3.3 Шар пулінгу 43 3.4 Рекуррентна згорткова нейронна мережа 44 3.4.1 Рекуррентні нейронні мережі 44 3.5 Модель рекуррентної згорткової нейронної мережі 45 3.5.1 Рекуррентний згортковий шар 45 3.6 Штучні згорткові нейронні мережі для розпізнавання образів медичної візуалізації 48 3.7 Огляд задач, які вирішуються при використанням ЗНМ при обробці зображень 50 3.7.1 Класифікація 50 3.7.2 Використання згорткових нейронних мереж для класифікації зображень 51 3.7.3 Семантична сегментація 52 3.7.4 Розпізнавання об’єктів 55 3.7.5 Instance Segmentation 57 3.8 Використання ЗНМ для класифікації зображень 57 3.8.1 AlexNet 57 3.8.2 GoogleNet 59 3.8.3 ResNet 59 3.9 Використання ЗНМ для семантичної сегментації 60 3.9.1 U-Net 60 3.10 Використання ЗНМ для детектування об’єктів 61 3.10.1 YOLO 61 3.11 Метрики точності нейромереж для класифікації 62 3.11.1 Точність класифікації 62 3.11.2 Логарифмічна втрата 63 3.11.3 Матриця помилок 63 3.11.4 Площа під кривою 64 3.11.5 F1 показник 65 3.11.6 Середньоквадратична похибка 66 3.12 Метрики точності нейромереж для семантичної сегментації 67 3.12.1 Піксельна точність 67 3.12.2 Коефіцієнт флористичної спільності (коефіцієнт Жаккара) 68 3.12.3 Індекс Соренсена (показник F1) 69 3.13 Функції втрат для класифікації 70 3.13.1 Перехресна ентропія 70 3.13.2 Hinge 72 3.13.3 Функція втрат Г’юбера 73 3.13.4 Розбіжність Куллбека-Лайблера 74 3.13.5 Найменше абсолютне відхилення та найменше квадратне відхилення 74 3.14 Навчання нейромереж на вибірці з незбалансованими класами 75 3.14.1 Навчання з незбалансованих даних за допомогою Гауссової оцінки та моделювання шуму 78 3.14.2 Генерування прикладів даних за допомогою гаусової CPS 83 3.15 Розробка нейромереж за допомогою бібліотеки TensorFlow 88 3.15.1 Архітектура TensorFlow 88 3.15.2 Тензор 89 3.15.3 Графік 89 3.15.4 Як працює TensorFlow 91 3.16 Нейромережевий класифікатор на основі TensorFlow 91 3.16.1 Імпорт пакетів 91 3.16.2 Завантаження даних 92 3.16.3 Підготовка даних 93 3.16.4 Створення моделі 94 3.16.5 Навчання моделі 95 3.16.6 Візуалізація результатів навчання 97 3.17 Збільшення продуктивності моделі 98 3.17.1 Перенавчання 98 3.17.2 Розширення даних 99 3.17.3 Дропаут 102 3.17.4 Навчання мережі 103 3.17.5 Візуалізація моделі 105 4 Конструкторська частина 106 4.1 Машинне навчання у мамографії 107 4.2 ШІ у кардіології 108 4.3 Висновок до розділу 109 5 Спеціальна частина 111 5.1 Стан проблеми 111 5.2 Підготовка даних 112 5.3 DicomImageMarker 117 6 Обґрунтування економічної ефективності 120 6.1 Обчислення затрат на розробку програмного модуля 120 6.2 Визначення експлуатаційних витрат 126 6.3 Визначення економічної ефективності і терміну окупності капітальних вкладень 130 7 ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ 132 7.1 Міжнародна система безпеки при медичному опроміненні 134 7.1.1 Виправданість практичної діяльності при медичному опроміненні 134 7.1.2 Оптимізація захисту при медичному опроміненні 134 7.1.3 Межі дози при медичному опроміненні 135 7.2 Заходи щодо обмеження медичного опромінення при променевій діагностиці 136 7.2.1 Радіаційна безпека при проведенні рентгенологічних досліджень 137 7.3 Захист від випромінювання 138 7.3.1 Гарантування радіаційної безпеки медперсоналу рентгенівських відділень 139 7.3.2 Гарантування радіаційної безпеки пацієнтів при рентгенографії 140 7.3.3 Засоби для гарантування радіаційного захисту медперсоналу та пацієнтів 142 8 ЕКОЛОГІЯ 143 8.1 Енергозбереження і його роль у вирішенні екологічних проблем. 143 8.1.1 Енергоефективність у даному проекті 145 8.2 Джерела електромагнітних полів, іонізуючих випромінювань 146 8.3 Методи знешкодження електромагнітних полів та іонізуючого випромінювання 149 ВИСНОВКИ 151 Бібліографія 152 ДОДАТКИ 160 Додаток А Лістинг програми 161 Додаток Б Ілюстративні матеріали 169
URI (Уніфікований ідентифікатор ресурсу): http://elartu.tntu.edu.ua/handle/lib/29663
Власник авторського права: © Дорофей В.В., Паляниця Н.М., 2019
Перелік літератури: 1. Freer TW, Ulissey MJ. Screening mammography with computer-aided detection: prospective study of 12,860 patients in a community breast center //Radiology. – 2001. – №220. – P. 781–786.
2. Cupples TE, Cunningham JE, Reynolds JC. Impact of computer-aided detection in a regional screening mammography program //AJR. – 2005. – №185. – P. 944–950.
3. Warner EE, Mulshine JL. Lung cancer screening with spiral CT: toward a working strategy //Oncology (Williston Park). – 2004. – №18. – P.564–575.
4. Sone S, Takashima S, Li F, Yang Z, Honda T, Maruyama Y, Hasegawa M, Yamanda T, Kubo K, Hanamura K, Asakura K. Mass screening for lung cancer with mobile spiral computed tomography scanner //Lancet. – 1998. – №351. – P. 1242–1245.
5. Yoshida H, Masutani Y, MacEneaney P, Rubin D, Dachman AH. Computerized detection of colonic polyps at CT colonography on the basis of volumetric features: pilot study //Radiology. – 2002. – №222. – P. 327–336.
6. Yoshida H, Nappi J, MacEneaney P, Rubin D, Dachman AH. Computer-aided diagnosis scheme for the detection of polyps at CT colonography //RadioGraphics. – 2002. – №22. – P. 963–979.
7. Oken MM, Marcus PM, Hu P, et al. Baseline chest radiograph for lung cancer detection in the randomized Prostate, Lung, Colorectal and Ovarian Cancer Screening Trial //J Natl Cancer Inst. – 2005. – №97.1832–1839.
8. Byers T, Barrera E, Fontham ET, et al. A midpoint assessment of the American Cancer Society challenge goal to halve the U.S. cancer mortality rates between the years 1990 and 2015 //Cancer. – 2006. – №107. – P. 396–405.
9. Aoyama M, Li Q, Katsuragawa S, MacMahon H, Doi K. Automated computerized scheme for distinction between benign and malignant solitary pulmonary nodules on chest images //Med Phys. – 2002. – №29. – P. 701–708.
10. Ashizawa K, Ishida T, MacMahon H, Vyborny CJ, Katsuragawa S, Doi K. Artificial neural networks in chest radiographs: Application to differential diagnosis of interstitial lung disease //Acad Radiol. – 1999. – №6. – P. 2–9.
11. Nakamori N, Doi K, Sabeti V, MacMahon H. Image feature analysis and computer-aided diagnosis in digital radiography: Automated analysis of sizes of heart and lung in digital chest images //Med Phys. – 1990. – №17. – P. 342–350.
12. Sanada S, Doi K, MacMahon H. Image feature analysis and computer-aided diagnosis in digital radiography: Automated detection of pneumothorax in chest images //Med Phys. – 1992. – №19. – P. 1153–1160.
13. Ishida T, Katsuragawa S, Nakamura K, MacMahon H, Doi K. Iterative image warping technique for temporal subtraction of sequential chest radiographs to detect interval change //Med Phys. – 1999. – №26. – P. 1320–1329.
14. Forrest JV, Sagel SS. The lateral radiograph for early diagnosis of lung cancer //Radiology. – 1979. – №131. – P. 309–310.
15. Ross DP. Clinical Consequences of Vertebral Fractures //Am J Med. – 1997. – №103(2A). – P. 30–42.
16. Genant HK, Wu CY, Van KC, Nevitt MC. Vertebral fracture assessment using a semiquantitative technique //J Bone Miner Res. – 1993. – №8. – P. 37–48.
17. Kasai S, Li F, Shiraishi J, Li Q, Nie Y, Doi K. Development of computerized method for detection of vertebral fractures on lateral chest radiographs //Proc SPIE. – 2006. – 6144:61445D1–D11.
18. Shiraishi J, Li Q, Appelbaum D, Pu Y, Doi K. Development of a computer-aided diagnostic scheme for detection of interval changes in successive whole-body scans //Med Phys. – 2006. 19. The NIFTI-2 header. [Cited 2013, June]. – Available from: < http://brainmap.wustl.edu/wiki/index.php/Nifti2.h >. 20. A. Graves and J. Schmidhuber. Offline handwriting recognition with multidimensional recurrent neural networks //Advances in Neural Information Processing Systems (NIPS). – 2009. – P. 545–552. 21. S. Behnke. Hierarchical Neural Networks for Image Interpretation //Lecture Notes in Computer Science. Springer-Verlag. – 2003. – №. 2766. 22. H. Lee, R. Grosse, R. Ranganath, and A. Y. Ng. Convolutional deep belief networks for scalable unsupervised learning of hierarchical representations //Proceedings of the 26th Annual International Conference on Machine Learning (ICML). – 2009. – P.609–616. 23. P. Pinheiro and R. Collobert. Recurrent convolutional neural networks for scene labeling //Proceedings of the 31st International Conference on Machine Learning (ICML). – 2014. – P. 82–90. 24. Y. Lu, H. Guo, and L. Feldkamp. Robust neural learning from unbalanced data examples //IEEE IJCNN. – 1998. 25. M.T. Musavi, K.H. Chan, D.M. Hummels, and K. Kalantri. Generalization ability of neural network classifiers //IEEE Transaction on Pattern Analysis and Machine Intelligence. – 1994. – Vol. 16, №6. – P.659–663. 26. J. Wang and J. Jean. Resolve multifont character confusion with neural network //Pattern Recognition. – 1993. – Vol. 26, №1. – P. 173–187. 27. Image segmentation using DIGITS 5. – NVIDIA Developer Blog. – [Cited 2016, 10 November]. – Available from: < https://devblogs.nvidia.com/image-segmentation-using-digits-5/ >. 28. Getty DJ., Pickett RM. D’Orsi CJ., Swets JA. Enhanced interpretation of diagnostic images //Invest Radiol. – 1988. – №23. – P.240-252. 29. Yuzheng Wu, Maryellen L. Giger, Kunio Doi, Carl J. Vyborny, Robert A. Schmidt, Charles E. Metz. Artificial Neural Networks In Mammography: Application to Decision Making In the Diagnosis of Breast Cancer //Radiology. – 1993. – №187. – P. 81-87. 30. E. Gordon DePuey, Ernest V. Garcia, Norberto F. Ezquerra. Three-Dimensional Techniques and Artificial Intelligence in Thallium-201 Cardiac Imaging //AJR. – 1989. – №152. – P. 1161-1168. 31. Порівняльні дані про хвороби органів дихання і… – Національний інститут фтизіатрії і пульмонології ім. Ф.Г. Яновського. – [Цит. 2019]. – Доступний з: < http://www.ifp.kiev.ua/doc/staff/pulmukr2018.pdf >. 32. Kunio Doi. Computer-Aided Diagnosis in Medical Imaging: Historical Review, Current Status and Future Potential //Comput Med Imaging Graph. – 2007. – №31(4-5). – P. 198–211. 33. Michele Larobina, Loredana Murino. Medical Image File Formats //Digit Imaging. – 2014. – №27. – P. 200–206. 34. Ю.П. Зайченко, И.М. Петросюк, М.C. Ярошенко, Исследование нечетких нейронных сетей в задачах распознавания объектов электрооптических изображений //Системні дослідження та інформаційні технології. – 2009. – № 4. 35. Maryellen L. Giger, Nico Karssemeijer, Samuel G. Armato. Guest Editorial Computer-Aided Diagnosis in Medical Imaging //IEEE TRANSACTIONS ON MEDICAL IMAGING. – 2001. – Vol. 20, №12. 36. Romi Fadillah Rahmat, T. S. M. Andreas, Fahmi Fahmi, Muhammad Fermi Pasha, Mohammed Yahya Alzahrani, Rahmat Budiarto. Analysis of DICOM Image Compression Alternative Using Huffman Coding //Journal of Healthcare Engineering. – 2019. – Vol. 2019. – Article ID 5810540. 37. FRANK Y. SHIH. Image processing and pattern recognition: Fundamentals and Techniques: Book. – Hoboken, New Jersey: John Wiley & Sons, Inc., 2010. – 545 p. 38. Paul Bourke. BMP image format. – 1998. – [Cited 1998, July]. - Available from: < http://paulbourke.net/dataformats/bmp/ > 39. Michael Sjötröm, Bruce R. Kowalski. A comparison of five pattern recognition methods based on the classification results from six real data bases //Analytica Chimica Acta. – 1979. – №112. – P. 11-30. 40. СУНДУЧКОВ К.С., КОБЗАР Л.С. Методи підвищення ефективності навчання нейронної мережі при створенні системи оцінки якості сприйняття послуги IPTV //РИ. – 2013. – №2. 41. Yi L. Murphey, Hong Guo, Lee A. Feldkamp. Neural Learning from Unbalanced Data //Applied Intelligence. – 2004. – №21. – P. 117–128. 42. Shih-Chung B. Lo, Heang-Ping Chan, Jyh-Shyan Lin, Huai Li, Matthew T. Freedman, Seong K. Mun. Artificial Convolution Neural Network for Medical Image Pattern Recognition //Neural Networks. – 1995. – Vol. 8, №7/8. – P. 1201-1214. 43. Keiron O’Shea, Ryan Nash. An Introduction to Convolutional Neural Networks //arXiv:1511.08458v2. – 2015. 44. Olaf Ronneberger, Philipp Fischer, Thomas Brox. U-Net: Convolutional Networks for Biomedical Image Segmentation //arXiv:1505.04597v1. – 2015. 45. Lei Zhang, Fan Yang, Yimin Daniel Zhang, Ying Julie Zhu. Road crack detection using deep convolutional neural network. – ResearchGate. – [Cited 2016, September]. – Available from: <https://www.researchgate.net/publication/305850872_Road_crack_detection_using_deep_convolutional_neural_network >. 46. Ming Liang, Xiaolin Hu. Recurrent Convolutional Neural Network for Object Recognition //Computer Vision Foundation. 47. Rida Sara Khan, Asad Ali Zardar, Zeeshan Bhatti. Artificial Intelligence based Smart Doctor using Decision Tree Algorithm //Journal of Information & Communication Technology – JICT. – 2017. – Vol.11, Issue. 2. – P. 1-5. 48. AN Ramesh, C Kambhampati, JRT Monson, PJ Drew. Artificial intelligence in medicine //Ann R Coll Surg Engl. – 2004. – №86. – P. 334–338. 49. I. Kononenko. Machine Learning for Medical Diagnosis: History, State of the Art and Perspective. 50. Vimla L. Patel, Edward H. Shortliffe, Mario Stefanelli, Peter Szolovits, Michael R. Berthold, Riccardo Bellazzi, Ameen Abu-Hanna. The coming of age of artificial intelligence in medicine //Artificial Intelligence in Medicine. – 2009. – №46. – P. 5—17. 51. Aditya Mishra. Metrics to Evaluate your Machine Learning Algorithm. - Towards Data Science. – [Cited 2018, 24 February]. – Available from: < https://towardsdatascience.com/metrics-to-evaluate-your-machine-learning-algorithm-f10ba6e38234 >. 52. Andrew B. Collier. Making Sense of Logarithmic Loss. – datawookie. – [Cited 2015, 14 December]. – Available from: < https://datawookie.netlify.com/blog/2015/12/making-sense-of-logarithmic-loss/ >. 53. Simple guide to confusion matrix terminology. - Data School. – [Cited 2014, 25 March]. – Available from: < http://www.dataschool.io/simple-guide-to-confusion-matrix-terminology >. 54. How to interpret F-measure values? - Stack Exchange. – [Cited 2019]. – Available from: < https://stats.stackexchange.com/questions/49226/how-to-interpret-f-measure-values >. 55. Ekin Tiu. Metrics to Evaluate your Semantic Segmentation Model. - Towards Data Science. – [Cited 2019, 10 August]. – Available from: < https://towardsdatascience.com/metrics-to-evaluate-your-semantic-segmentation-model-6bcb99639aa2 >. 56. F1/Dice-Score vs IoU. - Stack Exchange. – [Cited 2017]. – Available from: < https://stats.stackexchange.com/a/276144 >. 57. James D. McCaffrey. Hinge Loss Explained with a Table Instead of a Graph. – WordPress. – [Cited 2018, 4 October].- Available from: < https://jamesmccaffrey.wordpress.com/2018/10/04/hinge-loss-explained-with-a-table-instead-of-a-graph/ >. 58. Huber loss. – Wikipedia. – Available from: < https://en.wikipedia.org/wiki/Huber_loss >. 59. TIFF. – Wikipedia. – Available from: < https://en.wikipedia.org/wiki/TIFF >. 60. JPEG. – Wikipedia. – Available from: < https://en.wikipedia.org/wiki/JPEG >. 61. GIF. – Wikipedia. – Available from: < https://en.wikipedia.org/wiki/GIF >. 62. Moving Picture Experts Group. – Wikipedia. – Available from: < https://en.wikipedia.org/wiki/Moving_Picture_Experts_Group >. 63. Pattern recognition. – Wikipedia. – Available from: < https://en.wikipedia.org/wiki/Pattern_recognition >. 64. Medical imaging. – Wikipedia. – Available from: < https://en.wikipedia.org/wiki/Medical_imaging >. 65. Digital Imaging and Communications in Medicine (DICOM). Wikipedia. – Available from: < https://en.wikipedia.org/wiki/DICOM >. 66. Artificial neural network. – Wikipedia. – Available from: < https://en.wikipedia.org/wiki/Artificial_neural_network >. 67. Convolutional neural network. – Wikipedia. – Available from: < https://en.wikipedia.org/wiki/Convolutional_neural_network >. 68. Convolutional Neural Networks for Image Classification. – MissingLink.ai. – Available from: < https://missinglink.ai/guides/convolutional-neural-networks/convolutional-neural-networks-image-classification/ >. 69. Mask R-CNN: архитектура современной нейронной сети для сегментации объектов на изображениях. – Хабр. – [Цит. 2018, 26 серпня]. – Доступний з: < https://habr.com/ru/post/421299/ >. 70. Инструкция: Создание нейронной сети без навыков программирования. – vc.ru. – [Цит. 2018, 14 липня]. – Доступний з: < https://vc.ru/selectel/41002-instrukciya-sozdanie-neyronnoy-seti-bez-navykov-programmirovaniya >. 71. Image classification. – TensorFlow Core. – Available from: < https://www.tensorflow.org/tutorials/images/classification >. 72. Рекомендація щодо захисту працівників від іонізуючої радіації №114. – Законодавство України. – Доступний з: < https://zakon.rada.gov.ua/laws/show/993_019 >. 73. Н. М. Ермолицкий. Радиационная безопасность в лучевой диагностике: учеб.-метод. пособие для студентов 3–5 курсов медико-диагностического факультета медицинских вузов – Гомель: ГомГМУ, 2018. — 100 с. 74. Вимоги до забезпечення радіаційної безпеки персоналу рентгенівського кабінету. – Охорона праці і пожежна безпека. – [Цит. 2017, 26 липня]. – Доступний з: < http://oppb.com.ua/news/vymogy-do-zabezpechennya-radiaciynoyi-bezpeky-personalu-rentgenivskogo-kabinetu >. 75. Про затвердження Державних санітарних правил і норм "Гігієнічні вимоги до влаштування та експлуатації рентгенівських кабінетів і проведення рентгенологічних процедур". – Міністерство охорони здоров’я України. – [Цит. 2017, 22 вересня]. – Доступний з: < https://zakon.rada.gov.ua/laws/show/z1256-07 >. 76. Радіаційна безпека в медицині: ким та як регулюється, основні принципи, захист. - Cайт з питань ядерної безпеки, радіаційного захисту та нерозповсюдження ядерної зброї. – [Цит. 2019, 25 травня]. – Доступний з: < https://uatom.org/2019/04/25/radiatsijna-bezpeka-v-meditsini-kim-ta-yak-regulyuyetsya-osnovni-printsipi-zahist.html >. 77. Закон України «Про використання ядерної енергії та радіаційну безпеку». – Законодавство України. – [Цит. 2019, 24 листопада]. – Доступний з: < https://zakon.rada.gov.ua/laws/show/39/95-вр>. 78. Норми радіаційної безпеки. – Навчальні матеріали онлайн. – Доступний з: <https://pidruchniki.com/1157071850841/bzhd/normi_radiatsiynoyi_bezpeki>.
Тип вмісту: Master Thesis
Розташовується у зібраннях:151 — автоматизація та комп’ютерно-інтегровані технології

Файли цього матеріалу:
Файл Опис РозмірФормат 
Diplom_Dorofei_Palyanytsya.pdfДипломна робота5,57 MBAdobe PDFПереглянути/відкрити
Avtoreferat_Dorofei_Palyanytsyaавтореферат88,59 kBAdobe PDFПереглянути/відкрити


Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.

Інструменти адміністратора