Sirvi Autor "Sedykh, Ekaterina" järgi

Tulemuste filtreerimiseks trükkige paar esimest tähte
Nüüd näidatakse 1 - 2 2
  • Pisipilt
    Kirje
  • Pisipilt
    Kirje
    Imagining Infinity: Endless CT Datasets through Conditional Diffusion Models
    (Tartu Ülikool, 2024) Sedykh, Ekaterina; Fishman, Dmytro, juhendaja; Tartu Ülikool. Loodus- ja täppisteaduste valdkond; Tartu Ülikool. Arvutiteaduse instituut
    Meditsiiniline pildistamine, mis on tehnika keha sisemuse visuaalsete kujutiste loomiseks kliinilise analüüsi ja meditsiinilise sekkumise eesmärgil, sõltub olulisel määral ulatuslike ja kvaliteetsete andmekogumite kättesaadavusest. Selliste andmekogumite hankimist piiravad aga sageli logistilised, eetilised ja eraelu puutumatusega seotud probleemid. Diffusioonimudelid, mis on tuntud oma tõhususe poolest kvaliteetsete sünteetiliste andmete genereerimisel, võivad neid probleeme leevendada, tootesrealistlikke meditsiinilisi pilte mudelite treenimiseks ja teadustööks. Käesolevas väitekirjaskäsitletakse andmete vähesuse probleemi meditsiinilise pildistamise valdkonnas, uurides difusioonimudelite tõhusust sünteetiliste KT-kujutiste loomisel, mida saab kasutada andmekogumi mitmekesisuse ja mahu suurendamiseks. Siinkohal näitame, et difusioonimudelid suudavad tõhusalt luua sünteetilisi KT-pilte, mis jäljendavad täpselt tegelikke diagnostilisi pilte, laiendades seeläbi potentsiaalselt meditsiinilise tehisintellekti rakenduste jaoks kättesaadavate treeningandmete ulatust. Tulemused näitavad, et loodud sünteetilised pildid ei ole mitte ainult peaaegu eristamatud reaalsetest piltidest, vaid säilitavad ka vajalikud kliinilised üksikasjad, mis on edasiminek võrreldes varasemate geneerivate mudelitega, mis sageli ohverdasid kliiniliselt olulised üksikasjad. See uurimus näitab veel kord, kui kasulikud on difusioonimudelite abil genereeritud sünteetilised andmed, et parandada tehisintellekti süsteemide koolitust ja tulemuslikkust meditsiiniliste piltide diagnoosimisel ja analüüsimisel. Diffusioonimudelite integreerimine meditsiinilise kujutamise praktikasse tõotab märkimisväärselt tugevdada tehisintellektipõhiseid diagnostikavahendeid. Pakkudes uudset meetodit sünteetiliste meditsiiniliste piltide genereerimiseks, toob see uuring esile täiustatud genereerivate mudelite potentsiaali praktiliste ja eetiliste takistuste ületamisel meditsiinilistes uuringutes.