Registration Number
0824U000424, PhD dissertation
Status
Доктор філософії
Date
popup.evolution
o
Чому дисертація має статус "Запланована"?
Title
Method and software tools of multimodal analysis of medical data based on deep learning
Author
Maksym V. Shulha,
popup.head Yurii H. Hordiienko
popup.opponent Vasyl M. Tereshchenko
popup.opponent Vadym H. Tulchynskyi
popup.review Inna V. Stetsenko
popup.review Mykhailo A. Novotarskyi
popup.rada
National Technscal University of Ukraine "Kiev Polytechnic Institute".
Description
Останнім часом сфера медицини активно використовує можливості штучного інтелекту. Зокрема, глибокі нейронні мережі довели свою ефективність і придатність для автоматизованого виявлення та класифікації захворювань. Інтеграція методів штучного інтелекту має потенціал для оптимізації та покращення точності програм скринінгу шляхом автоматизації аналізу медичних даних, усуваючи необхідність безпосередньої участі медичного персоналу на етапі скринінгу. Нагальною проблемою в цьому контексті є діагностика діабетичної ретинопатії, поширеного ускладнення діабету, що призводить до погіршення зору серед дорослого населення світу. Отже, в даний час існує актуальна потреба в застосуванні підходу з використанням комп’ютерного зору та глибоких нейронних мереж для надання передових медичних послуг за допомогою штучного інтелекту, з особливим акцентом на класифікації діабетичної ретинопатії.
Тема дисертаційної роботи входить в план наукової роботи затвердженому на кафедрі обчислювальної техніки КПІ ім. Ігоря Сікорського, що враховує розпорядження Кабінету Міністрів України від 2 грудня 2020 р. No 1556-р про схвалення Концепції розвитку штучного інтелекту в Україні.
Метою дисертаційної роботи є підвищення точності багатокласової класифікації захворювань глибокими нейронними мережами, шляхом розробки методу мультимодального аналізу медичних даних. Об’єктом дослідження є процеси аналізу вимог, розробки, впровадження і супроводження програмного забезпечення для мультимодального аналізу медичних даних на основі глибокого навчання, які сприяють підвищенню точності визначення окремих класів для завдання багатокласової класифікації медичних даних; а предметом дослідження – методи і моделі розробки і супроводу програмного забезпечення для мультимодального аналізу медичних даних на основі глибоких нейронних мереж різної архітектури і способів організації додаткових модальностей.
Методичною основою дослідження є системне опрацювання та аналіз теоретичного матеріалу, присвяченого підвищенню точності вирішення завдання багатокласової класифікації, шляхом аналізу медичних даних за допомогою моделей глибоких нейронних мереж.
Для досягнення поставленої мети були вирішені такі завдання:
● було досліджено сучасні методи та системи виявлення та багатокласової класифікації захворювань на прикладі діабетичної ретинопатії;
● було виявлено шляхи покращення існуючих методів та систем виявлення та багатокласової класифікації захворювань на прикладі діабетичної ретинопатії;
● було розроблено метод мультимодального аналізу медичних даних на основі доповнення метаданих;
● було розвинуто спосіб підвищення точності багатокласової класифікації завдяки використанню методу мультимодального аналізу для різних архітектур згорткової компоненти нейронної мережі;
● було розроблено метод недетермінованого штучного доповнення метаданих;
● було розвинуто спосіб підвищення точності багатокласової класифікації завдяки використанню методу недетермінованого штучного доповнення метаданих для різних стандартних і спеціалізованих медичних наборів даних;
● було розроблено математичний опис для оцінки підвищення точності багатокласової класифікації на різних стандартних і спеціалізованих медичних наборах даних.
За результатами проведеного дослідження та згідно поставленого завдання
було запропоновано комплексний метод мультимодального аналізу медичних даних на основі глибокого навчання, при розробці якого були проведені наступні дослідження:
● дослідження доповнення метаданих для вирішення завдання багатокласової класифікації;
● дослідження впливу складності мультимодальної моделі на вирішення завдання багатокласової класифікації;
● дослідження недетермінованого доповнення метаданих для вирішення завдання багатокласової класифікації;
● дослідження впливу мультимодального доповнення метаданих на точність багатокласової класифікації.
Registration Date
2024-01-17
popup.nrat_date
2025-01-17 / 2026-07-01
