Застосування методів машинного навчання для діагностики пневмонії

Abstract

Магістерська кваліфікаційна робота виконана студенткою групи КНСШ-21 Нетилько Світланою Анатоліївною. Тема “Застосування методів машинного навчання для діагностики пневмонії”. Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Об’єктом дослідження є процеси підвищення точності розв’язання задач класифікації. Предметом досліджень є методи та алгоритми побудови систем розпізнавання та класифікації видів пневмонії. Досягнення мети відбувається за рахунок покращення даних (зображень) шляхом масштабування, аугментації, обрізки для зменшення інформаційно менш важливої частини зображення, а також видозміни архітектури моделі CNN та її параметрів. У результаті виконання дипломної роботи створено систему розпізнавання та класифікації трьох видів пневмонії (вірусної, бактеріальної, спричиненою Covid19) на рентгенологічних зображеннях; розроблено її програмну реалізацію, яка дозволяє досліджувати роботу різних методів машинного навчання, підбирати гіперпараметри для оптимальної роботи системи, а також порівнювати результати навчання різних модифікацій моделі згорткової нейронної мережі. Загальний обсяг роботи: 70 сторінок, 33 рисунки, 34 посилання. Master’s degree work of the student of the group CSAI-21 Netylko Svitlana Anatoliivna. The topic is "Pneumonia detection using machine learning techniques". The work is aimed at obtaining a master's degree in 122 "Computer Science". The object of research is the process of increasing the accuracy of solving classification problems. The subject of research is methods and algorithms for building classification system for detection different kinds of pneumonia. The goal of the research is achieved by data augmentation and CNN modification. As a result of the bachelor's qualification work, a classification system for pneumonia detection was created; developed its software implementation, which allows you to study the performance of various machine learning methods, select hyperparameters for optimal system operation and also compare the results of training different modifications of CNN. The total volume of work: 70 pages, 33 figures, 34 references.