Пошук академічних текстів

Інформація × Реєстраційний номер 2125U003215, Матеріали видань та локальних репозитаріїв Категорія Бакалаврська робота Назва роботи Методи пояснювального штучного інтелекту при аналізі медичних зображень Автор Рачинська Лідія АнатоліївнаRachynska Lidiya Anatoliivna Дата публікації 01-01-2025 Постачальник інформації Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» Першоджерело https://ela.kpi.ua/handle/123456789/76041 Видання Київ Опис Дипломна робота: 110 с., 28 рис., 12 табл., 25 посилань, 2 додатки. Об’єкт дослідження – набір даних із зображенням нирок, призначені для діагностики злоякісних новоутворень. Предмет дослідження – глибокі нейронні мережі та методи пояснюваного штучного інтелекту, що забезпечують автоматизоване виявлення пухлин і візуалізацію причинного внеску пікселів. Мета роботи – дослідити та реалізувати підходи до інтерпретованої класифікації захворювань нирок, що матимуть високу точність й наочно пояснюватимуть отримані рішення. Методи дослідження – навчання моделей ResNet-18 та ViT на репрезентативному наборі КТ-знімків; застосування п’яти XAI-підходів (Grad-CAM, SmoothGrad Integrated Gradients, Gradient Shap, SHAP, CRATE); оцінювання атрибуцій за метриками Deletion AUC, Insertion AUC, Infidelity, Sensitivity-max; розробка комбінованих схем Grad-CAM & SG-IG і CRATE & Grad Shap. У межах дослідження досягнуто високої точності класифікації КТ-знімків нирок за допомогою моделей ResNet-18 і ViT. Візуальні пояснення, згенеровані п’ятьма XAI-методами, було всебічно проаналізовано за чотирма метриками якості. Розроблені комбіновані підходи Grad-CAM & SG-IG і CRATE & Grad Shap суттєво покращили локалізацію причинних пікселів і підвищили стабільність результатів, що підтверджує ефективність запропонованих рішень для клінічної практики. Bachelor's thesis: 110 p., 28 figures, 12 tables, 25 references, 2 appendixes. The object of the study is a dataset of kidney CT images intended for the diagnosis of malignant tumors. The subject of the research is deep neural networks and explainable artificial intelligence (XAI) methods that enable automated tumor detection and visualization of pixel-level causal contributions. The purpose of the work is to investigate and implement approaches for interpretable classification of kidney diseases that ensure high accuracy and provide clear, visual explanations of the model’s decisions. The research methods include training ResNet-18 and ViT models on a representative dataset of CT scans; applying five XAI techniques (Grad-CAM, SmoothGrad Integrated Gradients, Gradient Shap, SHAP, CRATE); evaluating attribution quality using Deletion AUC, Insertion AUC, Infidelity, and Sensitivity-max; and developing combined schemes such as Grad-CAM & SG-IG and CRATE & Grad Shap. In the course of the study, high classification accuracy of kidney CT scans was achieved using ResNet-18 and ViT models. Visual explanations generated by five XAI methods were thoroughly evaluated using four attribution quality metrics. The developed combined approaches – Grad-CAM & SG-IG and CRATE & Grad Shap – significantly improved the localization of causal pixels and enhanced the stability of the results, confirming the effectiveness of the proposed solutions for clinical practice. Додано в НРАТ 2025-11-05 Закрити