Autorius, institucija: Jewel Sengupta, Kauno technologijos universitetas
Mokslo sritis, kryptis: technologijos mokslai, informatikos inžinerija, T007
Mokslinis vadovas: prof. dr. Robertas Alzbutas (Kauno technologijos universitetas, technologijos mokslai, informatikos inžinerija, T007)
Informatikos inžinerijos mokslo krypties disertacijos gynimo taryba:
prof. dr. Tomas Blažauskas (Kauno technologijos universitetas, technologijos mokslai, informatikos inžinerija, T007) – pirmininkas
prof. dr. Nuno Manuel Garcia dos Santos (Lisabonos universitetas, Portugalija, gamtos mokslai, informatika, N009)
prof. dr. Nikolaj Goranin (Vilniaus Gedimino technikos universitetas, technologijos mokslai, informatikos inžinerija, T007)
doc. dr. Darius Jegelevičius (Kauno technologijos universitetas, technologijos mokslai, elektros ir elektronikos inžinerija, T001)
prof. dr. Tomas Krilavičius (Vytauto Didžiojo universitetas, technologijos mokslai, informatikos inžinerija, T007)
Su disertacija galima susipažinti Kauno technologijos universiteto bibliotekoje (Gedimino g. 50, Kaunas) ir internete: J. Sengupta el. disertacija.pdf
© J. Sengupta, 2025 „Disertacijos tekstą draudžiama kopijuoti, platinti, išleisti, viešai skelbti, įskaitant padarymą viešai prieinamu kompiuterių tinklais (internete), atgaminti bet kokia forma ir priemonėmis, įskaitant, bet neapsiribojant, elektroniniais, mechaniniais ar kitais būdais. Vadovaujantis Lietuvos Respublikos autorių teisių ir gretutinių teisių įstatymo 25 str. 1 dalimi, asmuo su negalia, kuriam kyla sunkumų perskaityti internete skelbiamos disertacijos dokumentą, ir kiek tai pateisinama konkrečia negalia, su prašymu dėl dokumento pateikimo kita forma turi kreiptis el. p. doktorantura@ktu.lt.“
Disertacijos gynimas vyks Kauno technologijos universiteto Rektorato salėje (K. Donelaičio g. 73-402, Kaunas)
Anotacija: Subarachnoidinė hemoragija (SAH) – sunkus intrakranijinės hemoragijos tipas – reikalauja laiku nustatyti ir nuolat stebėti, kad būtų sumažintos komplikacijos ir pagerinti pacientų gydimo rezultatai. Šiame tyrime pristatoma išsami giliuoju mokymusi (DL) pagrįsta sistema SAH nustatymui, segmentavimui ir pavojingumui įvertinimui, sukurta taikant kelių etapų metodiką, skirtą užtikrinti klinikinį pritaikomumą ir stabilumą. Sisteminga literatūros apžvalga išryškino esamų metodų esminius apribojimus, įskaitant ribotą tikslumą labai skirtingiems duomenų rinkiniams, sunkumus atskiriant SAH nuo panašių būklių ir poreikį didelių skaičiavimo resursų. Siekiant pašalinti šiuos trūkumus, buvo įdiegtos hibridinės požymių išskyrimo ir pažangios segmentavimo technikos, kurios žymiai pagerino nustatymo tikslumą (nuo 95,45 % iki 99,36 %) ir segmentavimo našumą (modifikuotam srities plėtimo metodui JC panašumo metrika yra 0,94, o superpikselių klasterizavimui JC yra 0,92). Tokie modeliai kaip OGRU ir Bi-LSTM pasiekė aukštą klasifikavimo tikslumą (iki 99,62 %) ir sumažino skaičiavimo sudėtingumą (OGRU-CSO veikimo laikas yra 33,28 s). Be to, buvo sukurtas SAH vertinimo modulis, skirtas SAH pavojingumo vertinimui pagerinti, kuris parodė nuoseklų veikimą tiek su triukšmo neturinčiomis, tiek su triukšmingomis vaizdų bazėmis, o duomenų rinkinių iš atvirojo kodo saugyklų (RSNA) ir Lietuvos ligoninių integravimas užtikrino patikimumą ir apibendrinamumą. Derinant tarpdisciplinines, informatikos inžinerijos, radiologijos ir neurologijos žinias, šis darbas ne tik prisideda prie technologinių inovacijų, bet ir užtikrina pagrįsta klinikinę reikšmę. Kartu šie pasiekimai sudaro kliniškai tinkamą AI sprendimą, skirtą ankstyvam SAH nustatymui, tiksliai segmentacijai ir pavojingumo stebėjimui, galiausiai padedantį pagerinti diagnostikos procesus.