Детальная информация

В данной работе изложены методы цифровой обработки рентгенограмм легких, применяемые при создании вспомогательных систем медицинской диагностики. Даны общие понятия и рассмотрены основные методы классификации рентгеновских снимков, проведен их анализ и определен наиболее эффективный из них. Изучено устройство и принцип работы сверточных нейронных сетей в задаче выявления патологий на цифровых изображениях легких, разработана модель бинарной классификации с использованием глубокого обучения. Для взаимодействия с полученным классификатором была разработана конкретная программная реализация веб-приложения для определения здоровых рентгенограмм и изображений легких с признаками патологии.

This work describes the methods of digital processing of lung radiographs used in the creation of auxiliary systems for medical diagnostics. General concepts are given and the main methods for classifying x-ray images are considered, their analysis is carried out and the most effective of them is determined. The device and the principle of  operation of convolutional neural networks in the task of detecting pathologies on digital images of the lungs were studied, a binary classification model using deep learning was developed. To interact with the resulting classifier, a specific software implementation of a web application was developed to determine healthy radiographs and lung images with signs of pathology.

• Разработка веб-приложения бинарной классификации пациентов на основании снимка цифрового рентгена легких
  • Введение
  • 1. Анализ предметной области
  • 2. Теоретическая часть
  • 3. Программная реализация
  • 4. Тестирование и анализ полученных результатов
  • Заключение
  • Список сокращений и условных обозначений
  • Словарь терминов
  • Список использованных источников
  • Приложение 1. Создание и настройка классификационной модели
  • Приложение 2. Скрипт с моделью для серверной части (script.py)
  • Приложение 3. Серверная часть приложения(app.js)
  • Приложение 4. Клиентская часть приложения(script.js)