Магістерські роботи
Permanent URI for this collectionhttps://ena.lpnu.ua/handle/ntb/61744
Browse
Item Розроблення моделі глибокого навчання для класифікації зображень і виявлення об’єктів на медичних зображеннях(Національний університет “Львівська політехніка”, 2023) Воробель , Адріан Олександрович; Національний університет “Львівська політехніка”Магістерська кваліфікаційна робота виконана студентом групи КНСШ- 23 Вороблем Адріаном Олександровичем. Тема “Розроблення моделі глибокого навчання для класифікації зображень і виявлення об’єктів на медичних зображеннях”. Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Об'єктом дослідження є дослідження є процес класифікації зображень та виявлення об’єктів на медичних зображеннях. Предметом дослідження є розробка рішення з використанням нейромережевої архітектури та методів глибокого навчання для досягнення найвищої точності та швидкості виявлення об’єктів на медичних зображеннях. Досягнення мети відбувається за рахунок використання моделі YOLOv8 та її тренування. Апробацію роботи моделі здійснено на основі медичних наборів даних у відкритому доступі, що містять рентгенівські знімки, для розв’язання задачі виявлення переломів та їх класифікації. У результаті виконання дипломної роботи розроблено дві моделі глибокого навчання, одна з яких дозволяє виявляти переломи на рентгенівських знімках та класифікувати їх на декілька класів, а інша — лише виявляти. Загальний обсяг роботи: 56 сторінок, 40 рисунків, 21 посилання. The master's qualification work was completed by the student of the CSAI- 23 group Vorobel Adrian Oleksandrovych. Topic is "Development of a deep learning model for image classification and object detection in medical images". The work is aimed at obtaining a master's degree in the specialty 122 "Computer Science". The object of research is the process of image classification and object detection on medical images. The subject of the research is the development of a solution using neural network architecture and deep learning methods to achieve the highest accuracy and speed of object detection in medical images. The goal is achieved by using the YOLOv8 model and its training. The approbation of the model's work was carried out on the basis of medical data sets in open access, containing X-ray images, to solve the problem of fracture detection and their classification. As a result of the thesis, two deep learning models were developed, one of which allows you to identify fractures on X-ray images and classify them into several classes, and the other only detects them. Total volume of work: 56 pages, 40 figures, 21 references.