1. Репозиторий Самарского национального исследовательского университета имени академика С.П. Королёва
  2. 05. Выпускные квалификационные работы
  3. Выпускные квалификационные работы
Full metadata record
DC FieldValueLanguage
dc.contributor.authorМашков Д. В.
dc.contributor.authorКудрина М. А.
dc.contributor.authorБельгер И. С.
dc.coverage.spatialавтоматическая сегментация
dc.coverage.spatialанализ изображений
dc.coverage.spatialклассификаторы изображений
dc.coverage.spatialмашинное обучение
dc.coverage.spatialнейронные сети
dc.coverage.spatialобласти интереса
dc.coverage.spatialсегментация легких
dc.creatorМашков Д. В.
dc.date2024
dc.date.accessioned2025-11-27T12:21:13Z-
dc.date.available2025-11-27T12:21:13Z-
dc.date.issued2024
dc.identifier.identifierRU\НТБ СГАУ\ВКР20240918182126
dc.identifier.citationМашков, Д. В. Исследование методов сегментации для выделения областей интереса на рентгеновских снимках легких : вып. квалификац. работа по направлению подгот. 09.04.01 Информатика и вычислительная техника (уровень магистратуры), профиль «Java-инженерия» / Д. В. Машков ; рук. работы М. А. Кудрина ; нормоконтролер И. С. Бельгер ; М-во науки и высш. образования Рос. Федерации, Самар. нац. исслед. ун-т им. С. П. Королева (Самар. ун-т), Ин-т информатики и. - Самара, 2024. - 1 файл (5,7 Мб). - Текст : электронный
dc.identifier.urihttp://repo.ssau.ru/jspui/handle/123456789/46321-
dc.description.abstractВ данной выпускной квалификационной работе рассматриваются современные методы классификации изображений, наиболее подходящие для анализа рентгеновских снимков, а также проводится сегментация изображений рентгеновских снимков легких. Для сегментации изображений применены технологии искусственного интеллекта. В области машинного обучения были использованы следующие методы: дискриминантный анализ, KNN, логистическая регрессия, дерево решений и Random Forest. Для нейронных сетей применялись архитектуры U-Net, LinkNet и FPN. Информационная система сегментации рентгеновских снимков легких реализована на языках программирования JavaScript, Java и Python. Были использованы следующие среды разработки: Visual Studio Code, IntelliJ IDEA и PyCharm. Обучение нейронных сетей производилось в сервисе Google Colaboratory, а построение UML-диаграмм в сервисе Drawio. Информационная система разработана при использовании операционной системы Windows 10.
dc.subjectавтоматическая сегментация
dc.subjectанализ изображений
dc.subjectклассификаторы изображений
dc.subjectмашинное обучение
dc.subjectнейронные сети
dc.subjectобласти интереса
dc.subjectсегментация легких
dc.subject.rugasnti50.33.39
dc.subject.udc004.032.26
dc.titleИсследование методов сегментации для выделения областей интереса на рентгеновских снимках легких
dc.typeText
local.contributor.authorМинистерство науки и высшего образования Российской Федерации
local.contributor.authorСамарский национальный исследовательский университет им. С. П. Королева (Самарский университет)
local.contributor.authorИнститут информатики и кибернетики
local.identifier.oldurihttp://repo.ssau.ru/handle/Vypusknye-kvalifikacionnye-raboty/Issledovanie-metodov-segmentacii-dlya-vydeleniya-oblastei-interesa-na-rentgenovskih-snimkah-legkih-111202
local.identifier.oldurihttp://repo.ssau.ru/handle/Vypusknye-kvalifikacionnye-raboty/Issledovanie-metodov-segmentacii-dlya-vydeleniya-oblastei-interesa-na-rentgenovskih-snimkah-legkih-111202
Appears in Collections:Выпускные квалификационные работы

Files in This Item:
File SizeFormat 
Машков_Дмитрий_Викторович_Исследование_методов_сегментации.pdf5.88 MBAdobe PDFView/Open    Request a copy
Show simple item record


Items in Repository are protected by copyright, with all rights reserved, unless otherwise indicated.