Тема выпускной квалификационной работы: «Разработка моделей и алгоритмов сегментации медицинских изображений с использованием глубоких нейронных сетей». Данная работа посвящена исследованию методов и алгоритмов компьютерной диагностики для анализа гистологических изображений, в частности разработке метода, основанного на обучении со слабым учителем. Задачи, которые решались в ходе работы: 1. анализ существующих методов и подходов компьютерной диагностики для сегментации медицинских гистологических изображений; 2. разработка метода, который позволяет автоматически сегментировать гистологические изображения на основе данных со слабыми метками; 3. разработка модификаций, которые позволяют увеличить точность сегментации в условиях малого количества данных для обучения; 4. разработка программного обеспечения визуализации результатов для реализации объяснительного интеллекта; 5. исследование эффективности реализованных методов. Работа выполнена на базе открытого набора данных гистологических изображений предстательной железы TCIA. На языке программирования Python 3.7 был реализован метод автоматической сегментации гистологических образцов с использованием автокодировщика и кластеризации, а также его модификации, которые улучшают эффективность в условиях малого количества данных. В итоге было реализовано ПО, которое позволяет визуализировать результаты работы алгоритмов. Выполнено исследование точности сегментации методов и его модификаций. На основании исследований можно сделать вывод, что разработанные модификации позволяют на 2.6% (20.5%) точнее выполнять сегментацию гистологических медицинских изображений.

The subject of the graduate qualification work is: «Development of models and algorithms for segmentation of medical images using deep neural networks». The given work is devoted to the study of methods and algorithms of computer diagnostics for the analysis of histological images, in particular, the devel-opment of a method based on weakly supervised learning. The research set the following goals: 1. analysis of existing methods and approaches of computer diagnostics for segmentation of medical histological images; 2. development of a method that allows automatic segmentation of histological images based on data with weak labels; 3. development of modifications that increase segmentation accuracy in a small amount of training data; 4. development of results visualization software for implementing ex-plainable knowledge; 5. research on the perfomance of implemented methods. The work was performed on the basis of an open dataset of prostate histological images TCIA. In the Python 3.7 programming language, the method of auto-matic segmentation of histological samples using autoencoder and clustering was implemented, as well as its modifications, which improve the efficiency in condi-tions of a small amount of data. As a result, Software was implemented that allows to visualize the results of algorithms. A study of the accuracy of segmentation methods and its modifications was performed. Based on research, it can be concluded that the developed modifications allow for 2.6% (20.5%) more accurate segmentation of histological medical images.