Registration Number
0825U001398, PhD dissertation
Status
Доктор філософії
Date
25-06-2025
popup.evolution
o
Title
Methods for Detecting Heart Pathologies in MRI Images Using Explainable Artificial Intelligence
Author
Vitalii O. Slobodzian,
popup.head Olexander V. Barmak
popup.opponent Oleh M. Berezkyi
popup.opponent Mykola Budnyk
popup.review Elyzaveta H. Hnatchuk
popup.review Mariia V. Kapustian
popup.rada
Khmelnytskyi National University
Description
Використання штучного інтелекту в медичній діагностиці сприяє автоматизації аналізу медичних зображень, підвищуючи ефективність виявлення патологій та зменшуючи вплив людського фактору. Серцево-судинні захворювання є провідною причиною смертності у світі, що робить надійні методи їхньої діагностики критично важливими. Магнітно-резонансна томографія (МРТ) вважається золотим стандартом завдяки високій точності, однак складність анатомії серця, варіабельність його форми та артефакти зображень ускладнюють аналіз. Додатково, на об’єктивність діагностики впливають когнітивні упередження лікарів, що може призводити до варіативності інтерпретації результатів. Автоматизовані методи на основі ШІ дозволяють мінімізувати ці проблеми, забезпечуючи стандартизований та більш точний підхід до аналізу кардіологічних МРТ.
Об’єкт дослідження є процес виявлення патологій на МРТ-зображенні засобами глибокого навчання з подальшою інтерпретацією отриманих результатів.
Предмет дослідження є методи та засоби глибокого навчання для виявлення патологій на МРТ-зображенні.
Метою дослідження є підвищення точності сегментації та класифікації МРТ- зображення серця та отримання можливості інтерпретації отриманих за моделями глибокого навчання рішень.
У дисертаційній роботі вперше запропоновано метод багатоступеневої сегментації області серця на області правого шлуночка, лівого шлуночка та міокарда лівого шлуночка, який відрізняється від існуючих методів використанням багатоступеневого підходу, що включає: попередню локалізацію окремих областей серця з допомогою засобів глибокого навчання; визначення точних контурів окремо для кожної області серця та використання постобробки отриманих результатів гаусівським згладжуванням для уточнення контурів і зменшення артефактів, що разом дозволило покращити точність сегментації.
У дисертаційній роботі вперше запропоновано метод каскадної класифікації патологій за МРТ-зображеннями. Метод відрізняється від існуючих застосуванням особливої структури каскаду класифікаторів за моделями глибокого навчання та використанням МРТ-зображень з інтегрованими даними про сегментацію областей серця, що дозволило підвищити точність класифікації для таких патологій: дилатаційна кардіоміопатія (DCM), гіпертрофічна кардіоміопатія (HCM), інфаркт міокарда зі зниженою фракцією викиду (MINF), аномальний правий шлуночок (ARV).
У дисертаційній роботі вперше запропоновано метод інтерпретації отриманих за глибоким навчанням рішень, який відрізняється від існуючих використанням даних як класифікації, так і сегментації, а також використанням для інтерпретації ознак, які використовуються у медичній практиці, що дозволило зробити отримані рішення прозорими та зрозумілими.
Практичне значення отриманих результатів полягає в доведенні до реалізації теоретичних результатів дисертаційної роботи та у безпосередньому використанні їх на практиці. Запропоновані методи дозволяють вирішувати низку важливих технічних, моральних та юридичних питань, які виникають під час впровадження штучного інтелекту в медичну практику, сприяючи підвищенню ефективності та безпеки сучасної медичної діагностики.
Реалізований метод багатоступеневої сегментації забезпечує користувачу можливість точного виділення серцевих структур на МРТ-зображеннях, використовуючи поєднання моделей глибокого навчання для локалізації та сегментації, а також постобробку результатів за допомогою гаусівського згладжування для уточнення контурів та зменшення артефактів, що дозволяє отримувати точні результати сегментації.
Реалізований метод каскадної класифікації забезпечує аналіз сегментованих зображень МРТ серця за допомогою каскаду моделей глибокого навчання, що дозволяє підвищити точність класифікації серцевих захворювань. Система надає точні результати, що забезпечує обґрунтовану підтримку прийняття діагностичних рішень.
Реалізований метод інтерпретації рішень моделей глибокого навчання дозволяє користувачу отримати прозорі та зрозумілі результати, пояснюючи їх на основі ознак, що використовуються у медичній практиці. Це робить рішення моделей більш доступними для кінцевих користувачів, забезпечуючи довіру до отриманих результатів та їхню інтеграцію у клінічну практику.
Результати дисертаційної роботи впроваджено: у процесі виробничої діяльності ТОВ «АЙ ТІ ХУТ» для розробки промислового програмного забезпечення; у медичному закладі «Сіліцея Сіті+» для цифрового діагностування патологій серця на МРТ-зображеннях з допомогою засобів комп’ютерної діагностики; при виконанні держбюджетних тем Хмельницького національного університету «Система виявлення ЗПЗ та комп'ютерних атак в корпоративних мережах з використанням хибних об'єктів атак та пасток» (ДР № 0124U000980); у навчальному процесі для студентів першого та другого освітніх рівнів спеціальності «Комп’ютерні науки».
Registration Date
2025-04-29
popup.nrat_date
2025-04-29 / 2026-07-01
