1. ELARTU — Інституційний репозитарій ТНТУ імені Івана Пулюя
  2. Роботи студентів
  3. Бакалавр
  4. 122 — Компʼютерні науки (бакалаври)
Bitte benutzen Sie diese Kennung, um auf die Ressource zu verweisen: http://elartu.tntu.edu.ua/handle/lib/49580
Titel: Аналіз медичних зображень за допомогою глибокого навчання
Sonstige Titel: Medical Image Analysis Using Deep Learning Technologies
Autor(en): Поліщук, Олександр Романович
Polishchuk, Oleksandr Romanovych
Affiliation: ТНТУ ім. І. Пулюя, Факультет комп’ютерно-інформаційних систем і програмної інженерії, Кафедра комп’ютерних наук, м. Тернопіль, Україна
Bibliographic description (Ukraine): Поліщук О. Р. Аналіз медичних зображень за допомогою технологій глибокого навчання : робота на здобуття кваліфікаційного ступеня бакалавра : спец. 122 - комп’ютерні науки / наук. кер. М. Є. Фриз. Тернопіль : Тернопільський національний технічний університет імені Івана Пулюя, 2025. 62 с.
Erscheinungsdatum: 27-Jun-2025
Submitted date: 13-Jun-2025
Date of entry: 5-Jul-2025
Herausgeber: ТНТУ ім. І.Пулюя, ФІС, м. Тернопіль, Україна
Country (code): UA
Place of the edition/event: Тернопіль
Supervisor: Фриз, Михайло Євгенович
Fryz, Mykhailo
UDC: 004.032.26
Stichwörter: 122
аналіз зображень
глибоке навчання
діагностика
згорткова нейронна мережа
класифікація
медичні зображення
сегментація
штучний інтелект
artificial intelligence
classification
convolutional neural network
deep learning
diagnosis
image analysis
medical images
segmentation
Page range: 62
Zusammenfassung: Кваліфікаційна робота присвячена розробці системи для автоматизованого аналізу рентгенівських знімків із використанням методів глибокого навчання з метою виявлення переломів кісток. У першому розділі проведено аналіз сучасних методів обробки медичних зображень, розглянуто архітектури нейронних мереж, таких як ResNet, DenseNet, EfficientNet, та методи сегментації й інтерпретації. Висвітлено актуальність автоматизації діагностики для підвищення точності та зменшення суб’єктивізму. У другому розділі описано проєктну розробку модульної системи, яка поєднує методи комп’ютерного зору та глибокого навчання. Запропоновано архітектуру з модулями попередньої обробки, сегментації, класифікації та інтерпретації. Реалізовано графічний інтерфейс для зручної взаємодії користувачів. У третьому розділі представлено практичну реалізацію системи, результати тестування на наборі даних MURA та оцінку її ефективності. Продемонстровано високу точність класифікації і чутливість до аномалій, а також зручність інтерфейсу для медичних фахівців. Об’єкт дослідження: методи аналізу медичних зображень. Предмет дослідження: розробка системи для виявлення переломів на рентгенівських знімках із застосуванням глибокого навчання
The qualification work is devoted to the development of a system for automated analysis of X-ray images using deep learning methods to detect bone fractures. The first section analyzes modern methods of medical image processing, reviews neural network architectures such as ResNet, DenseNet, and EfficientNet, and discusses segmentation and interpretation techniques. The relevance of diagnostic automation for improving accuracy and reducing subjectivity is highlighted. The second section describes the design and development of a modular system that integrates computer vision and deep learning methods. A system architecture is proposed, consisting of modules for preprocessing, segmentation, classification, and interpretation. A user-friendly graphical interface is implemented to facilitate interaction. The third section presents the practical implementation of the system, test results on the MURA dataset, and an evaluation of its effectiveness. The system demonstrates high classification accuracy and sensitivity to anomalies, as well as a user-friendly interface for medical professionals. Object of study: methods of medical image analysis. Subject of study: development of a system for detecting fractures in X-ray images using deep learning.
Beschreibung: Роботу виконано на кафедрі комп'ютерних наук Тернопільського національного технічного університету імені Івана Пулюя. Захист відбудеться 27.06.2025р. на засіданні екзаменаційної комісії №30 у Тернопільському національному технічному університеті імені Івана Пулюя
Content: ВСТУП 7 РОЗДІЛ 1. АНАЛІЗ ПРЕДМЕТНОЇ ОБЛАСТІ ТА ПОСТАНОВКА ЗАВДАННЯ 9 1.1 Огляд сучасних методів аналізу медичних зображень 9 1.2 Аналіз існуючих підходів на основі глибокого навчання 12 1.3 Постановка завдання 14 1.4 Висновок до першого розділу 17 РОЗДІЛ 2. ПРОЄКТНА РОЗРОБКА СИСТЕМИ АНАЛІЗУ РЕНТГЕНІВСЬКИХ ЗНІМКІВ 18 2.1 Вибір методів та архітектур нейронних мереж 18 2.2 Реалізація моделі глибокого навчання 25 2.3 Проектування інтерфейсу 29 2.4 Висновок до другого розділу 36 РОЗДІЛ 3. ПРАКТИЧНА РЕАЛІЗАЦІЯ ТА ОЦІНЮВАННЯ ЕФЕКТИВНОСТІ СИСТЕМИ 37 3.1 Демонстрація роботи моделі 37 3.2 Аналіз ефективності запропонованого підходу 44 3.3 Узагальнення результатів та можливі вдосконалення 47 3.4 Висновок до третього розділу 51 РОЗДІЛ 4. БЕЗПЕКА ЖИТТЄДІЯЛЬНОСТІ, ОСНОВИ ОХОРОНИ ПРАЦІ 52 4.1 Комплексний аналіз життєдіяльності людини 52 4.2 Естетичне оформлення та ергономічні вимоги до робочого місця оператора 54 4.3 Висновок до четвертого розділу 55 ВИСНОВКИ 56 ПЕРЕЛІК ДЖЕРЕЛ 58 ДОДАТОК А 64
URI: http://elartu.tntu.edu.ua/handle/lib/49580
Copyright owner: ТНТУ ім. І.Пулюя, ФІС, м. Тернопіль, Україна
References (Ukraine): 1. He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). – 2016. – P. 770–778.
2. Huang G., Liu Z., Van Der Maaten L., Weinberger K. Q. Densely Connected Convolutional Networks // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). – 2017. – P. 4700–4708.
3. Tan M., Le Q. V. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks // International Conference on Machine Learning (ICML). – 2019. – P. 6105–6114.
4. Liu Z., Mao H., Wu C.-Y., Feichtenhofer C., Darrell T., Xie S. A ConvNet for the 2020s // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). – 2022. – P. 11976–11986.
5. Dosovitskiy A., Beyer L., Kolesnikov A., Weissenborn D., Zhai X., Unterthiner T., Houlsby N. An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale // International Conference on Learning Representations (ICLR). – 2021.
6. Buslaev A., Iglovikov V. I., Khvedchenya E., Parinov A., Druzhinin M., Kalinin A. A. Albumentations: Fast and Flexible Image Augmentations // Information. – 2020. – Vol. 11, No. 2. – P. 125.
7. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation // Medical Image Computing and Computer-Assisted Intervention (MICCAI). – 2015. – P. 234–241.
8. Canny J. A Computational Approach to Edge Detection // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 1986. – Vol. 8, No. 6. – P. 679–698.
9. Dietterich T. G. Ensemble Methods in Machine Learning // International Workshop on Multiple Classifier Systems. – 2000. – P. 1–15.
10. Lundberg S. M., Lee S.-I. A Unified Approach to Interpreting Model Predictions // Advances in Neural Information Processing Systems (NeurIPS). – 2017. – P. 4765–4774.
11. Simonyan K., Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition // International Conference on Learning Representations (ICLR). – 2015.
12. Buslaev A., Iglovikov V. I., Khvedchenya E., Parinov A., Druzhinin M., Kalinin A. A. Albumentations: Fast and Flexible Image Augmentations // Information. – 2020. – Vol. 11, No. 2. – P. 125.
13. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation // Medical Image Computing and Computer-Assisted Intervention (MICCAI). – 2015. – P. 234–241.
14. Beucher S., Meyer F. The Morphological Approach to Segmentation: The Watershed Transformation // Mathematical Morphology in Image Processing. – 1993. – P. 433–481.
15. Canny J. A Computational Approach to Edge Detection // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 1986. – Vol. 8, No. 6. – P. 679–698.
16. Dietterich T. G. Ensemble Methods in Machine Learning // International Workshop on Multiple Classifier Systems. – 2000. – P. 1–15.
17. Selvaraju R. R., Cogswell M., Das A. et al. Grad-CAM: Visual Explanations from Deep Networks via Gradient-based Localization // Proceedings of the IEEE International Conference on Computer Vision (ICCV). – 2017. – P. 618–626.
18. Johnson J. M., Khoshgoftaar T. M. Survey on Deep Learning with Class Imbalance // Journal of Big Data. – 2019. – Vol. 6, No. 1. – P. 27.
19. Brady A. P. Error and discrepancy in radiology: Inevitable or avoidable? // Insights into Imaging. – 2017. – Vol. 8, No. 1. – P. 171–182.
20. Gonzalez R. C., Woods R. E. Digital Image Processing. – 4th ed. – Pearson, 2018. – 1168 p.
21. Beucher S., Meyer F. The Morphological Approach to Segmentation: The Watershed Transformation // Mathematical Morphology in Image Processing. – 1993. – P. 433–481.
22. Vaswani A., Shazeer N., Parmar N. et al. Attention is All You Need // Advances in Neural Information Processing Systems (NeurIPS). – 2017. – P. 5998–6008.
23. Dietterich T. G. Ensemble Methods in Machine Learning // International Workshop on Multiple Classifier Systems. – 2000. – P. 1–15.
24. Lundberg S. M., Lee S.-I. A Unified Approach to Interpreting Model Predictions // Advances in Neural Information Processing Systems (NeurIPS). – 2017. – P. 4765–4774.
25. Johnson J. M., Khoshgoftaar T. M. Survey on Deep Learning with Class Imbalance // Journal of Big Data. – 2019. – Vol. 6, No. 1. – P. 27.
26. Wang X., Peng Y., Lu L. et al. ChestX-ray8: Hospital-scale Chest X-ray Database and Benchmarks on Weakly-supervised Classification and Localization of Common Thorax Diseases // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). – 2017. – P. 2097–2106.
27. Gonzalez R. C., Woods R. E. Digital Image Processing. – 4th ed. – Pearson, 2018. – 1168 p.
28. Beucher S., Meyer F. The Morphological Approach to Segmentation: The Watershed Transformation // Mathematical Morphology in Image Processing. – 1993. – P. 433–481.
29. Canny J. A Computational Approach to Edge Detection // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 1986. – Vol. PAMI-8, No. 6. – P. 679–698.
30. Vaswani A., Shazeer N., Parmar N. et al. Attention is All You Need // Advances in Neural Information Processing Systems (NeurIPS). – 2017. – P. 5998–6008.
31. Selvaraju R. R., Cogswell M., Das A. et al. Grad-CAM: Visual Explanations from Deep Networks via Gradient-based Localization // Proceedings of the IEEE International Conference on Computer Vision (ICCV). – 2017. – P. 618–626.
32. Huang G., Liu Z., Van Der Maaten L., Weinberger K. Q. Densely Connected Convolutional Networks // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). – 2017. – P. 4700–4708.
33. Vaswani A., Shazeer N., Parmar N. et al. Attention is All You Need // Advances in Neural Information Processing Systems (NeurIPS). – 2017. – P. 5998–6008.
34. Beucher S., Meyer F. The Morphological Approach to Segmentation: The Watershed Transformation // Mathematical Morphology in Image Processing. – 1993. – P. 433–481.
35. Gonzalez R. C., Woods R. E. Digital Image Processing. – 4th ed. – Pearson, 2018. – 1168 p.
36. Buda M., Maki A., Mazurowski M. A. A Systematic Study of the Class Imbalance Problem in Convolutional Neural Networks // Neural Networks. – 2018. – Vol. 106. – P. 249–259.
37. Zhou B., Khosla A., Lapedriza A., Oliva A., Torralba A. Learning Deep Features for Discriminative Localization // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). – 2016. – P. 2921–2929.
38. Buda M., Maki A., Mazurowski M. A. A Systematic Study of the Class Imbalance Problem in Convolutional Neural Networks // Neural Networks. – 2018. – Vol. 106. – P. 249–259.
39. Shrikumar A., Greenside P., Shcherbina A., Kundaje A. Learning Important Features Through Propagating Activation Differences // International Conference on Machine Learning (ICML). – 2017. – P. 3145–3153.
40. Fryz M., Scherbak L., Mlynko B., Mykhailovych T. Linear Random Process Model-Based EEG Classification Using Machine Learning Techniques. Proceedings of the 1st International Workshop on Computer Information Technologies in Industry 4.0 (CITI 2023). Ternopil, Ukraine: CEUR Workshop Proceedings, 2023. Vol. 3468. P. 126–132.
41. Бабак В.П., Куц Ю.В., Мислович М.В., Фриз М.Є., Щербак Л.М. Об’єктно-орієнтована ідентифікація стохастичних шумових сигналів. Київ: Наукова думка, 2024. 240 с. https://doi.org/10.15407/978-966-00-1883-9.
42. V. Babak, A. Zaporozhets, Y. Kuts, M. Fryz, L. Scherbak. Noise signals: Modelling and Analyses. Cham: Springer Nature Switzerland, 2025. 222 p. DOI: https://doi.org/10.1007/978-3-031-71093-3
43. Бабак В. П., Марченко М. Є., Фриз. Б. Г. Теорія ймовірностей, випадкові процеси та математична статистика. К.: Техніка, 2004. 288 с.
44. Липак Г., Липак Т., Кунанець Н. Проєктування інформаційної системи на основі машинного навчання для збереження та класифікації артефактів документальної спадшини. Вісник Хмельницького національного університету: технічні науки. T. 334 Nº 4 (2024). C. 176-182. https://doi.org/10.31891/2307-5732-2024-339-4-29
45. Мельничук П. В. Безпека життєдіяльності : навч. посіб. – Київ : Центр учбової літератури, 2020. – 264 с.
46. Андрєєв Я. Ю. Основи охорони праці : підручник. – Харків : Факт, 2021. – 312 с.
Content type: Bachelor Thesis
Enthalten in den Sammlungen:122 — Компʼютерні науки (бакалаври)

Dateien zu dieser Ressource:
Datei Beschreibung GrößeFormat 
2025_KRB_SN-42_Polishchuk_OR.pdfДипломна робота2,44 MBAdobe PDFÖffnen/Anzeigen
Zur Langanzeige


Alle Ressourcen in diesem Repository sind urheberrechtlich geschützt, soweit nicht anderweitig angezeigt.

Administrationswerkzeuge