S. Maqsood daktaro disertacijos „Giliojo mokymo metodai medicinos vaizdų analizėje naudojant ne iki galo sukonfigūruotus duomenis“ gynimas

Autorius, institucija: Sarmad Maqsood, Kauno technologijos universitetas

Mokslo sritis, kryptis: technologijos mokslai, informatikos inžinerija, T007

Mokslinis vadovas: prof. dr. Robertas Damaševičius (Kauno technologijos universitetas, technologijos mokslai, informatikos inžinerija, T007)

Informatikos inžinerijos mokslo krypties disertacijos gynimo taryba:
prof. dr. Agnė Paulauskaitė-Tarasevičienė (Kauno technologijos universitetas, gamtos mokslai, informatika, N009) – pirmininkė
dr. Jolita Bernatavičienė (Vilniaus universitetas, technologijos mokslai, informatikos inžinerija, T007)
prof. dr. Arnas Kačeniauskas (Vilniaus Gedimino technikos universitetas, technologijos mokslai, informatikos inžinerija, T007)
prof. dr. Simona Ramanauskaitė (Vilniaus Gedimino technikos universitetas, technologijos mokslai, informatikos inžinerija, T007)
dr. Ihsan Ullah (Nacionalinis Airijos Golvėjaus universitetas, technologijos mokslai, informatikos inžinerija, T007)

Su disertacija galima susipažinti Kauno technologijos universiteto bibliotekoje (Gedimino g. 50, Kaunas) ir internete: S. Maqsood disertacija (PDF)

Disertacijos gynimas vyks Kauno technologijos universiteto Rektorato salėje (K. Donelaičio g. 73-402, Kaunas).

Anotacija: Išmaniosios sveikatos priežiūros atsiradimas rodo sparčią pažangą informacinių technologijų sektoriuje. Ši paradigma panaudoja pažangiausias technologijas, tokias kaip dirbtinis intelektas (AI), kad iš esmės pakeistų medicinos praktiką, kad būtų padidintas efektyvumas, patikimumas ir personalizavimas. Konkrečiai, atliekant vėžio tyrimus, kur tiksli ir savalaikė diagnozė yra labai svarbi, kompiuterinės diagnostikos (CAD) sistemos yra labai svarbios padedant sveikatos priežiūros specialistams diagnozuoti pažeidimus aptinkant, segmentuojant ir klasifikuojant medicininius vaizdus. Nepaisant pažangos, tokie iššūkiai kaip mažo kontrasto pažeidimai, nesubalansuoti duomenų rinkiniai, per didelis konvoliucinio neuroninio tinklo (CNN) modelių pritaikymas, atminties sudėtingumas ir perteklinių funkcijų ištraukimas išlieka. Šioje disertacijoje buvo pasiūlytas integruotas CAD modelis, naudojant giluminio mokymosi (DL) sistemą, siekiant išspręsti šias pažeidimų aptikimo, segmentavimo ir klasifikavimo problemas. Šioje disertacijoje sukurta AI sistema, skirta skirtingų ligų klasifikavimui naudojant hibridinį metodą. Pažeidimo regionams segmentuoti yra sukurta tinkinta CNN architektūra, po kurios modifikuojami ir mokomi keli iš anksto paruošti CNN modeliai, naudojant segmentuotų vaizdų perkėlimo mokymąsi (TL). Tada iš šių modelių išgauti gilių funkcijų vektoriai sujungiami naudojant konvoliucinį negausaus vaizdo skaidymo sintezės metodą. Galiausiai, ypatybių atrankos metodai naudojami informatyviausioms klasifikavimo ypatybėms nustatyti ir panaudoti, o tai žada efektyvesnį ir tikslesnį diagnostikos procesą.