Medical Image Classification with Limited Data

Simple item page
dc.contributor.advisorFishman, Dmytro, juhendaja
dc.contributor.advisorAriva, Joonas, juhendaja
dc.contributor.authorManaiev, Glib
dc.contributor.otherTartu Ülikool. Loodus- ja täppisteaduste valdkondet
dc.contributor.otherTartu Ülikool. Arvutiteaduse instituutet
dc.date.accessioned2024-10-04T07:15:08Z
dc.date.available2024-10-04T07:15:08Z
dc.date.issued2024
dc.description.abstractArvutuslike meetodite edu on märkimisväärselt mõjutanud meditsiinilist kujutamist ning on aidanud kaasa piltdiagnostika vahendite arengule. Üheks keskseks väljakutseks selles valdkonnas on haiguste tuvastamine piltidelt. Selle ülesande teeb keeruliseks märgendatud andmete vähesus, mis on osalt põhjustatud asjaolust, et andmeid saavad märgendada vaid valdkonna eksperdid. Viimasel ajal on andmete nappuse probleemi proovitud lahendada juhendamata õppe meetoditega, kus kasutatakse mudelite treenimiseks märgendamata andmeid. Tavaliselt selliste metoodikate puhul eeltreenitakse mudel tehislikel ülesannetel, mille puhul kasutatakse ära piltide omadusi ja struktuuri märgenduste asemel. Seejärel peenhäälestatakse mudel väikesel märgendatud andmestikul. Vaatamata nende meetodite hiljutisele edule, on neid meditsiinilise kujutamise valdkonnas vähe uuritud, eriti meditsiiniliste piltide klassifitseerimisel. Magistritöös uuritakse erinevate juhendatamata eeltreenimismeetodite tõhusust meditsiiniliste piltide klassifitseerimisel, keskendudes eelkõige neerukasvajate tuvastamisele kompuutertomograafia piltidelt. Töö tulemused näitavad, et sellised meetodid ei paranda oluliselt mudelite täpsust. Samuti annavad tulemused ülevaate juhendamata õppe meetodite piirangutest ja võimalustest selles valdkonnas. Vastupidiselt eelnevatele ootustele juhendamata meetoditele, paistab et selliste meetoditest saadav kasu sõltub tugevalt konkreetsetest kontekstidest ja ülesannetest. Käesolev teadustöö ilmestab mudelite täpsuse parandamise keerukust meditsiinilise kujutamise valdkonnas ning rõhutab vajadust tervikliku lähenemisviisi järele nende väljakutsetega toime tulemiseks.
dc.identifier.urihttps://hdl.handle.net/10062/105102
dc.language.isoen
dc.publisherTartu Ülikoolet
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 Estoniaen
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/ee/
dc.subjectdeep learning in medical imaging
dc.subjectunsupervised learning
dc.subjectself-supervised learning
dc.subjectdata augmentation
dc.subjectexplainable artificial intelligence
dc.subjectimage classification
dc.subjectsügav õppimine
dc.subjecttehisnärvivõrgud
dc.subjectsüvaõpe meditsiinilises kuvamises
dc.subjectjärelevalveta õpe
dc.subjectiseõppiv õpe
dc.subject.othermagistritöödet
dc.subject.otherinformaatikaet
dc.subject.otherinfotehnoloogiaet
dc.subject.otherinformaticsen
dc.subject.otherinfotechnologyen
dc.titleMedical Image Classification with Limited Data
dc.typeThesisen

Files

Original bundle

Now showing 1 - 1 of 1
Thumbnail Image
Name:
Manaiev_computer_science_2024.pdf
Size:
15.48 MB
Format:
Adobe Portable Document Format
Download

Collections

MTAT magistritööd – Master's theses