Перейти к основному контенту Перейти к главному меню навигации Перейти к нижнему колонтитулу сайта

Уважаемые пользователи! На нашем хостинге ведутся технические работы, на сайте могут быть ошибки. Приносим свои извинения за временные неудобства.

Вестник КазНПУ имени Абая, Серия «Физико-математические науки»

МОДЕЛИ ГЛУБОКОГО ОБУЧЕНИЯ СЕМАНТИЧЕСКОЙ СЕГМЕНТАЦИИ В ЭХОКАРДИОГРАФИИ: FINE-TUNING НА ОСНОВЕ НАБОРА ДАННЫХ

Опубликован March 2024
Международный университет информационных технологий, г.Алматы, Казахстан
Международный университет информационных технологий, г.Алматы, Казахстан
Международный университет информационных технологий, г.Алматы, Казахстан
Аннотация

Данная статья посвященап эксперименту по повышению точности моделей семантической сегментации в кардиологии с использованием специального набора данных эхокардиограммы. Цель состоит в том, чтобы адаптировать существующую модель глубокого обучения для лучшей сегментации структур сердца на эхокардиографических изображениях, что имеет решающее значение для автоматизированной диагностики заболеваний сердца. Улучшение производительности оценивается с использованием показателей, специфичных для кардиологии, которые показывают повышенную точность сегментации сердечных структур. Такой подход повышает клиническую полезность модели для кардиологов при диагностике и планировании лечения. Результаты подчеркивают потенциал индивидуальных моделей глубокого обучения в медицинской визуализации и подчеркивают важность специализированных наборов данных для точности в медицинских приложениях. Это исследование вносит значительный вклад в развитие искусственного интеллекта в здравоохранении, предлагая достижения в области автоматизированного эхокардиографического анализа для клинического использования.

pdf (Eng)
Язык

Eng

Как цитировать

[1]
Ukibassov, B., rakhmetulayeva, S. и Bolshibayeva, A. 2024. МОДЕЛИ ГЛУБОКОГО ОБУЧЕНИЯ СЕМАНТИЧЕСКОЙ СЕГМЕНТАЦИИ В ЭХОКАРДИОГРАФИИ: FINE-TUNING НА ОСНОВЕ НАБОРА ДАННЫХ. Вестник КазНПУ имени Абая, Серия «Физико-математические науки». 85, 1 (мар. 2024), 149–155. DOI:https://doi.org/10.51889/2959-5894.2024.85.1.014.