Details

Объект исследования: методы глубокого обучения для автоматизированного анализа биомедицинских изображений. Цель работы: разработка алгоритма многоклассовой классификации стадий диабетической ретинопатии, устойчивого к аппаратному доменному сдвигу и несбалансированности обучающей выборки. В ходе выполнения работы проведен анализ существующих систем автоматизированного скрининга. Для подавления аппаратных артефактов снимков разработан математический конвейер предварительной обработки изображений. В качестве вычислительного ядра адаптирована архитектура сверточной нейронной сети EfficientNet-B3 с применением стратегии трансферного обучения. Проведено абляционное исследование методов компенсации классового дисбаланса. Полученные результаты, свидетельствуют о преимуществе предложенной гибридной порядковой функции потерь (Ordinal Loss). Учет клинической упорядоченности стадий заболевания позволил нивелировать «парадокс точности» базовых алгоритмов, обеспечив кратный рост чувствительности сети к редким терминальным патологиям при сохранении высокой специфичности. Практическим результатом работы является разработанный программный диагностический прототип. В систему интегрирован алгоритм градиентного картирования для прозрачной визуализации зон патологий и реализован модуль автоматической генерации медицинских отчетов в формате PDF. Область применения результатов: системы поддержки принятия врачебных решений в офтальмологическом скрининге.

Object of research: deep learning methods for the automated analysis of biomedical images. Aim of the work: development of a multiclass classification algorithm for diabetic retinopathy stages, robust to hardware domain shifts and imbalanced training data. During the research, an analysis of existing automated screening systems was conducted. A mathematical image preprocessing pipeline was developed to suppress hardware artifacts. The EfficientNet-B3 convolutional neural network architecture was adapted as the computational core using a transfer learning strategy. An ablation study of data balancing approaches was performed. The superiority of the proposed hybrid Ordinal Loss was experimentally proven. Incorporating the clinical ordinality of the disease stages mitigated the "accuracy paradox", achieving a multiple increase in sensitivity to rare terminal pathologies while maintaining high specificity. The practical outcome of the work is a developed software diagnostic prototype. A gradient mapping algorithm was integrated into the system for transparent visualization of pathology zones, along with a module for automatic generation of medical reports in PDF format. Application area: clinical decision support systems in primary ophthalmological screening.

• титульник + задание.pdf
• ВКР Исмуханова Асель без титульника с правками Русиной