1. ELARTU — Інституційний репозитарій ТНТУ імені Івана Пулюя
  2. Роботи студентів
  3. Бакалавр
  4. 122 — Компʼютерні науки (бакалаври)
Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал: http://elartu.tntu.edu.ua/handle/lib/49580
Повний запис метаданих
Поле DCЗначенняМова
dc.contributor.advisorФриз, Михайло Євгенович-
dc.contributor.advisorFryz, Mykhailo-
dc.contributor.authorПоліщук, Олександр Романович-
dc.contributor.authorPolishchuk, Oleksandr Romanovych-
dc.date.accessioned2025-07-05T14:39:47Z-
dc.date.available2025-07-05T14:39:47Z-
dc.date.issued2025-06-27-
dc.date.submitted2025-06-13-
dc.identifier.citationПоліщук 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.uk_UA
dc.identifier.urihttp://elartu.tntu.edu.ua/handle/lib/49580-
dc.descriptionРоботу 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 Пулюяuk_UA
dc.description.abstractКваліфікаційна 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 навчанняuk_UA
dc.description.abstractThe 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.uk_UA
dc.description.tableofcontentsВСТУП 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 64uk_UA
dc.format.extent62-
dc.language.isoukuk_UA
dc.publisherТНТУ ім. І.Пулюя, ФІС, м. Тернопіль, Українаuk_UA
dc.subject122uk_UA
dc.subjectаналіз зображеньuk_UA
dc.subjectглибоке навчанняuk_UA
dc.subjectдіагностикаuk_UA
dc.subjectзгорткова нейронна мережаuk_UA
dc.subjectкласифікаціяuk_UA
dc.subjectмедичні зображенняuk_UA
dc.subjectсегментаціяuk_UA
dc.subjectштучний інтелектuk_UA
dc.subjectartificial intelligenceuk_UA
dc.subjectclassificationuk_UA
dc.subjectconvolutional neural networkuk_UA
dc.subjectdeep learninguk_UA
dc.subjectdiagnosisuk_UA
dc.subjectimage analysisuk_UA
dc.subjectmedical imagesuk_UA
dc.subjectsegmentationuk_UA
dc.titleАналіз медичних зображень за допомогою глибокого навчанняuk_UA
dc.title.alternativeMedical Image Analysis Using Deep Learning Technologiesuk_UA
dc.typeBachelor Thesisuk_UA
dc.rights.holderТНТУ ім. І.Пулюя, ФІС, м. Тернопіль, Українаuk_UA
dc.coverage.placenameТернопільuk_UA
dc.subject.udc004.032.26uk_UA
dc.relation.references1. 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.uk_UA
dc.relation.references2. 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.uk_UA
dc.relation.references3. Tan M., Le Q. V. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks // International Conference on Machine Learning (ICML). – 2019. – P. 6105–6114.uk_UA
dc.relation.references4. 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.uk_UA
dc.relation.references5. 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.uk_UA
dc.relation.references6. 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.uk_UA
dc.relation.references7. 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.uk_UA
dc.relation.references8. Canny J. A Computational Approach to Edge Detection // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 1986. – Vol. 8, No. 6. – P. 679–698.uk_UA
dc.relation.references9. Dietterich T. G. Ensemble Methods in Machine Learning // International Workshop on Multiple Classifier Systems. – 2000. – P. 1–15.uk_UA
dc.relation.references10. Lundberg S. M., Lee S.-I. A Unified Approach to Interpreting Model Predictions // Advances in Neural Information Processing Systems (NeurIPS). – 2017. – P. 4765–4774.uk_UA
dc.relation.references11. Simonyan K., Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition // International Conference on Learning Representations (ICLR). – 2015.uk_UA
dc.relation.references12. 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.uk_UA
dc.relation.references13. 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.uk_UA
dc.relation.references14. Beucher S., Meyer F. The Morphological Approach to Segmentation: The Watershed Transformation // Mathematical Morphology in Image Processing. – 1993. – P. 433–481.uk_UA
dc.relation.references15. Canny J. A Computational Approach to Edge Detection // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 1986. – Vol. 8, No. 6. – P. 679–698.uk_UA
dc.relation.references16. Dietterich T. G. Ensemble Methods in Machine Learning // International Workshop on Multiple Classifier Systems. – 2000. – P. 1–15.uk_UA
dc.relation.references17. 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.uk_UA
dc.relation.references18. Johnson J. M., Khoshgoftaar T. M. Survey on Deep Learning with Class Imbalance // Journal of Big Data. – 2019. – Vol. 6, No. 1. – P. 27.uk_UA
dc.relation.references19. Brady A. P. Error and discrepancy in radiology: Inevitable or avoidable? // Insights into Imaging. – 2017. – Vol. 8, No. 1. – P. 171–182.uk_UA
dc.relation.references20. Gonzalez R. C., Woods R. E. Digital Image Processing. – 4th ed. – Pearson, 2018. – 1168 p.uk_UA
dc.relation.references21. Beucher S., Meyer F. The Morphological Approach to Segmentation: The Watershed Transformation // Mathematical Morphology in Image Processing. – 1993. – P. 433–481.uk_UA
dc.relation.references22. Vaswani A., Shazeer N., Parmar N. et al. Attention is All You Need // Advances in Neural Information Processing Systems (NeurIPS). – 2017. – P. 5998–6008.uk_UA
dc.relation.references23. Dietterich T. G. Ensemble Methods in Machine Learning // International Workshop on Multiple Classifier Systems. – 2000. – P. 1–15.uk_UA
dc.relation.references24. Lundberg S. M., Lee S.-I. A Unified Approach to Interpreting Model Predictions // Advances in Neural Information Processing Systems (NeurIPS). – 2017. – P. 4765–4774.uk_UA
dc.relation.references25. Johnson J. M., Khoshgoftaar T. M. Survey on Deep Learning with Class Imbalance // Journal of Big Data. – 2019. – Vol. 6, No. 1. – P. 27.uk_UA
dc.relation.references26. 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.uk_UA
dc.relation.references27. Gonzalez R. C., Woods R. E. Digital Image Processing. – 4th ed. – Pearson, 2018. – 1168 p.uk_UA
dc.relation.references28. Beucher S., Meyer F. The Morphological Approach to Segmentation: The Watershed Transformation // Mathematical Morphology in Image Processing. – 1993. – P. 433–481.uk_UA
dc.relation.references29. 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.uk_UA
dc.relation.references30. Vaswani A., Shazeer N., Parmar N. et al. Attention is All You Need // Advances in Neural Information Processing Systems (NeurIPS). – 2017. – P. 5998–6008.uk_UA
dc.relation.references31. 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.uk_UA
dc.relation.references32. 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.uk_UA
dc.relation.references33. Vaswani A., Shazeer N., Parmar N. et al. Attention is All You Need // Advances in Neural Information Processing Systems (NeurIPS). – 2017. – P. 5998–6008.uk_UA
dc.relation.references34. Beucher S., Meyer F. The Morphological Approach to Segmentation: The Watershed Transformation // Mathematical Morphology in Image Processing. – 1993. – P. 433–481.uk_UA
dc.relation.references35. Gonzalez R. C., Woods R. E. Digital Image Processing. – 4th ed. – Pearson, 2018. – 1168 p.uk_UA
dc.relation.references36. 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.uk_UA
dc.relation.references37. 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.uk_UA
dc.relation.references38. 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.uk_UA
dc.relation.references39. 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.uk_UA
dc.relation.references40. 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.uk_UA
dc.relation.references41. 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.uk_UA
dc.relation.references42. 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/10.1007/978-3-031-71093-3uk_UA
dc.relation.references43. Бабак В. П., Марченко М. Є., Фриз. Б. Г. Теорія ймовірностей, випадкові процеси та математична статистика. К.: Техніка, 2004. 288 с.uk_UA
dc.relation.references44. 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/10.31891/2307-5732-2024-339-4-29uk_UA
dc.relation.references45. Мельничук П. В. Безпека життєдіяльності : навч. посіб. – Київ : Центр учбової літератури, 2020. – 264 с.uk_UA
dc.relation.references46. Андрєєв Я. Ю. Основи охорони праці : підручник. – Харків : Факт, 2021. – 312 с.uk_UA
dc.contributor.affiliationТНТУ ім. І. Пулюя, Факультет комп’ютерно-інформаційних систем і програмної інженерії, Кафедра комп’ютерних наук, м. Тернопіль, Українаuk_UA
dc.coverage.countryUAuk_UA
Розташовується у зібраннях:122 — Компʼютерні науки (бакалаври)

Файли цього матеріалу:
Файл Опис РозмірФормат 
2025_KRB_SN-42_Polishchuk_OR.pdfДипломна робота2,44 MBAdobe PDFПереглянути/відкрити
Показати базовий опис матеріалу Перегляд статистики


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

Інструменти адміністратора