Search

Магістерська дисертація за темою «Ідентифікація та аналіз дрібновогневих уражень на МРТ головного мозку» виконана студентом кафедри біомедичної кібернетики ФБМІ Юрочкіним Владиславом Володимировичем зі спеціальності 122 «Комп’ютерні науки» за освітньо-професійною програмою «Комп’ютерні технології в біології та медицині» та складається зі: вступу; 3 розділів («теоретична частина», «матеріали та методи», «практична реалізація»), розділу з розрахунком стартап-проекту, висновків до кожного з цих розділів; загальних висновків; списку використаних джерел, який налічує джерела та додатків. Загальний обсяг роботи 115 сторінок. Актуальність роботи полягає в теоретичному та прикладному дослідженні згорткових нейронних мереж для задачі сегментації проявів церебральної хвороби малих судин на основі МРТ знімків мозку. Мета і завдання дослідження. Метою роботи є розробка програмного додатку для діагностики областей дрібновогневих уражень шляхом їх сегментації на знімках МРТ мозку за допомогою згорткових нейронних мереж. Її досягнення передбачає вирішення наступних завдань: 1. Проаналізувати джерела (вітчизняні та/або іноземні), які реалізовували чи проектували системи діагностики дрібновогневих уражень, використовуючи знімки, отримані методами променевих досліджень. 2. Розібрати особливості застосування методів машинного навчання в умовах поставленої задачі. 3. Провести підготовку та аналіз даних для моделей сегментації. 4. Програмно реалізувати архітектури згорткових мереж сегментації та провести їх навчання на вхідному датасеті. 5. Побудувати програмний додаток на основі нейронно-мережевих архітектур, для задачі сегментації проявів церебральної хвороби малих судин на МРТ мозку. 6. Проробити висновки за результатами роботи. Об’єкт дослідження. МРТ зображення мозку пацієнтів з проявами церебральної хвороби малих судин (дрібновогневих уражень мозку). Предмет дослідження. Візуалізація сегментації дрібновогневих уражень для оптимізації діагностики на МРТ зображеннях мозку шляхом використання згорткової нейронної мережі. Методи дослідження. Машинне навчання, глибинне навчання, згорткові нейронні мережі. The master's thesis on the topic "Identification and analysis of small-scale lesions on brain MRI" is executed by the student of the department of biomedical cybernetics (Faculty of Biomedical Engineering) Yurochkin Vladyslav Volodymyrovych, in the specialty 122 "Computer science" on the educational and professional program "Computer and technology" consists of: introduction; 3 sections ("Theoretical part", "Materials and methods", "Practical implementation"), section with a startup calculation; conclusions; references. The total volume of the work is 115 pages. Relevance of the topic. The relevance of the work is in the theoretical and practical research of convolutional neural networks for the task of segmentation cerebral small vessel disease based on brain MRI images. Objective of the study. The objective is to develop a software application for the diagnosis of areas of small lesions by segmenting them on MRI images of the brain using convolutional neural networks. To achieve it, the following tasks must be completed: 1. To analyze the sources (domestic and/or foreign) that implemented or designed diagnostic systems for small-scale lesions, using images obtained by modified research methods. 2. Analyze the peculiarities of the application of machine learning methods in the conditions of the given task. 3. Prepare and analyze data for model segmentation. 4. Implement the architecture of convolutional network segmentations and conduct their training on the input array of data. 5. Development of a software based on convolutional neural network for the task of segmentation of areas of cerebral small vessel disease on brain MRI. 6. Make conclusions based on the results of the work. Object of study. Brain MRI scans with cerebral small vessel disease (small brain lesions). Subject of study. Visualization of segmentation of small lesions to optimize diagnosis on MRI brain images by using a convolutional neural network.

Магістерська дисертація за темою «Використання методів глибинного навчання для визначення зони уваги на Т2-зважених зображеннях перфузійної МРТ» виконана студентом кафедри біомедичної кібернетики ФБМІ Дюміним Олексієм Дмитровичем зі спеціальності 122 «Комп’ютерні науки» за освітньо-професійною програмою «Комп’ютерні технології в біології та медицині», та складається зі: вступу; 4 розділів («Літературний огляд», «Теоретична частина», «Аналітична частина», «Практична частина»), розділу з розрахунком стартап-проєкту, висновків до кожного з цих розділів; загальних висновків; списку використаних джерел, який налічує 72 найменування. Загальний обсяг роботи 121 сторінка. Актуальність теми. На сьогоднішній день важливу роль у діагностиці та лікуванні цереброваскулярних та онкологічних захворювань відіграє такий метод оцінювання зображень перфузійної МРТ, як динамічно-сприйнятлива контрастна магнітно-резонансна томографія (DSC). Ця методика записує зміни інтенсивності пікселів на динамічних серіях Т2-зважених зображень МРТ, отриманих до, під час та після введення контрастної речовини у судинну систему. Отримана в результаті DSC візуалізація перфузійних характеристик на картах перфузії використовується для виявлення областей з потенційним ураженням та постановки діагнозу. Проте через низький контраст між ураженням і навколишніми тканинами погіршується візуалізація ураження мозку на картах перфузії, що може призвести до помилково високих або хибно низьких результатів оцінки параметрів перфузії.[72] Щоб проблема була вирішена, програмне забезпечення для аналізу перфузійних DSC даних повинно попередньо обробляти дані часової послідовності шляхом сегментації тканин мозку та створювати бінарну маску для так званої зони уваги (ROI).[72] Для вирішення проблеми сегментації зображень була запропонована ідея використання модифікованої згорткової нейронної мережі на основі ResNet. Використання запропонованої нейронної мережі забезпечує найбільш точні результати сегментації та тим самим вирішує основну проблему автоматизованої сегментації. Мета і завдання дослідження. Метою роботи є підвищення точності сегментації Т2-зважених МРТ-зображень за рахунок використання модифікованої нейронної мережі на базі ResNet. Для досягнення поставленої мети необхідно виконати наступні завдання: 1. Реалізувати нейронну мережу на базі ResNet. 2. Знайти та реалізувати модифікації нейронної мережі на основі ResNet. 3. Провести попередній аналіз даних. 4. Дослідити отримані результати сегментації Т2-зважених МРТ-зображень. Об’єкт дослідження. Т2-зважених МРТ-зображень мозку. Предмет дослідження. Сегментація Т2-зважених МРТ-зображень мозку. Методи дослідження. Машинне навчання, згорткова нейронна мережа. Master's thesis on the topic "Deep learning methods for region of interest detection on perfusion T2-weighted MR images" is executed by the student of the department of biomedical cybernetics (Faculty of Biomedical Engineering) Diumin Oleksii Dmytrovych in the specialty 122 "Computer science" on the educational and professional program "Computer technologies in biology and medicine", and consists of: introduction; 4 sections ("Literary review", "Theoretical part", "Analytical part", "Practical part"), section with a startup calculation, conclusions to each of these sections; general conclusions; references, which includes 72 titles. The total volume of work is 121 pages. Relevance of the topic. Today, such a method of evaluating perfusion MRI images as dynamic susceptibility contrast magnetic resonance imaging (DSC) plays an important role in the diagnosis and treatment of cerebrovascular and oncological diseases. This technique records changes in pixel intensity on a dynamic series of T2-weighted MRI images obtained before, during, and after administration of a contrast agent into the vasculature. The resulting DSC visualization of perfusion characteristics on perfusion maps is used to identify areas of potential damage and make a diagnosis. However, due to the low contrast between the lesion and the surrounding tissues, the visualization of the brain lesion on the perfusion maps is impaired, which can lead to falsely high or falsely low results of the estimation of the perfusion parameters.[72] To solve the problem, perfusion DSC data analysis software must preprocess the time-series data by segmenting the brain tissue and create a binary mask for the so-called region of interest (ROI).[72] To solve the problem of image segmentation, the idea of using a modified convolutional neural network based on ResNet was proposed. Using the proposed neural network provides the most accurate segmentation results and thereby solves the main problem of automated segmentation. Objective and task sof the study. The aim of the work is to increase the accuracy of segmentation of T2-weighted MRI images by using a modified neural network based on ResNet. To achieve the goal, the following tasks must be completed: 1. Implement a neural network based on ResNet. 2. Find and implement neural network modifications based on ResNet. 3. Conduct preliminary data analysis. 4. To study the obtained results of segmentation of T2-weighted MRI images. Object of study. T2-weighted MRI images of the brain. Subject of study. Segmentation of T2-weighted MRI brain images. Research methods. Machine learning, convolutional neural network.

Магістерська дисертація містить 109 сторінок, 20 ілюстрацію, і 181 джерел літератури. Наразі задача розпізнавання вирв від бомбардувань стає все гострішою. Після повномасштабної військової агресії російської федерації, чимало фондів намагаються оцінити збитки, які були нанесені об’єктам інфраструктури, цивільним будівлям, тощо. Нейромережева модель розпізнавання вирв від бомбардувань за супутниковими даними дасть змогу комплексно та всеціло оцінити масштаб руйнувань, який в подальшому може бути використаний для підрахунку збитків. Для досягнення мети було використано: нейромережеву модель U-Net ; Google Collaboratory; бібліотеки pytorch, torchvision, matplotlib, Pillow, imutils, scikit-learn, tqdm, gdal, numpy. The master's thesis contains 109 pages, 20 illustrations, and 181 references. Nowadays the task of recognizing explosions from bombings is becoming more and more acute. After the full-scale military aggression of the Russian Federation, many funds are trying to assess the damage that was caused to infrastructure objects, civilian buildings, etc. A neural network model for recognizing bombardment eruptions based on satellite data will enable a comprehensive and comprehensive assessment of the scale of destruction, which can later be used to estimate damages. To achieve the goal, was used the following: U-Net neural network model; Google Collaboratory; Libraries pytorch, torchvision, matplotlib, Pillow, imutils, scikit-learn, tqdm, gdal, numpy.

У цій дипломній роботі було розроблено та створено систему сегментації зображень за допомогою U-Net. В ході виконання роботи було досліджено різні модифікації класичної архітектури U-Net. Програмний продукт було створено на мові програмування Python. Модель побудована з допомогою фреймворку Keras. In this diploma work image segmentation system with U-Net was designed and created. Different modifications of classic U-Net architecture were researched during this work. Program was written in Python programming language. Model built using framework Keras.

Магістерська дисертація за темою «Програмний додаток для сегментації сітківки» виконана студентом кафедри біомедичної кібернетики ФБМІ Гричанюком Іваном Олеговичем зі спеціальності 122 «Комп’ютерні науки» за освітньо-професійною програмою «Комп’ютерні технології в біології та медицині» та складається зі: вступу; 4 розділів (Огляд літературних джерел, Теоретична частина, Аналітична частина, Практична частина), розділу зі стартап проєкту, висновків до кожного з цих розділів; загальних висновків; списку використаних джерел, який налічує джерело та додатки. Загальний обсяг роботи 101 сторінка. Актуальність теми. Актуальність роботи полягає у створення якісного та захищеного додатку для сегментації, що може слугувати як зручний допоміжний засіб для лікаря у діагностування, попередженні та виявлені проблем із сітківкою ока. Мета дослідження. створити точний та зручний для розуміння лікарем додаток для сегментації кровоносних сітківки ока, на основі сучасних досліджень в області глибокого навчання. Об’єкт дослідження. Системи сегментації судин сітківки. Предмет дослідження. Використання систем сегментації медичних зображень для створення системи, що покращить діагностування. Методи дослідження. алгоритми комп'ютерного зору та глибокого навчання, взято за основу сучасні дослідження у сферах сегментації медичних даних: такі як мережа UNet, методи оптимізації та підбору параметрів. Master's dissertation on "Retinal segmentation software application" was completed by a student of the Department of Biomedical Cybernetics FBMI Ivan Hrychaniuk in the specialty 122 "Computer Science" in the educational-professional program "Computer Technology in Biology and Medicine" and consists of: introduction; 4 sections (Review of literature sources, Theoretical part, Analytical part, Practical part), a section on the startup project, conclusions to each of these sections; general conclusions; a list of used sources, which includes the source and applications. The total amount of work of the 101 pages. Actuality of theme. The urgency of the work is to create a high-quality and secure application for segmentation, which can serve as a convenient tool for the doctor in diagnosing, preventing and detecting retinal problems The aim of the study. to create an accurate and easy-to-understand application for segmentation of the blood retina, based on current research in the field of deep learning. Object of study. Retinal vascular segmentation systems. Subject of study. Use medical image segmentation systems to create a system that will improve diagnosis. Research methods. algorithms of computer vision and deep learning, based on modern research in the field of medical data segmentation: such as the UNet network, methods of optimization and selection of parameters. The practical significance of the results obtained. The algorithm created in this work and the implemented software product has the ability to significantly improve the level of diagnosis of retinal diseases.

Background. Tuberculosis is a chronic lung disease that occurs due to a bacterial infection and is one of the top ten causes of human death. As part of the automated diagnostic system, the detecting tuberculosis lesions on computed tomograms of the lungs in automatic mode is an urgent task. Objective. We are aimed to solve the lungs segmentation tuberculosis-affected areas problem on computer tomograms using digital image processing based on U-networks. Methods. The data for training the network were provided by the specialists of National Institute of Phthisiology and Pulmonology named after F.V. Yanovsky, NAMS of Ukraine. We performed the image segmentation by applying artificial intelligence using the convolutional neural network UNet, which has been developed for medical segmentation tasks. We considered three versions of UNet networks with different parameter values. A feature of U-Net is the absence of fully connected layers. This network is an example of an encoder-decoder architecture, which shows high results in problems of semantic image segmentation. In the last two models, we applied the technique of early stopping of training which avoids the effect of overfitting the network. The number of training epochs is set with a margin, and the process of training network parameters stops as soon as the model performance stops improving on the test data set. Results. The data set was divided into 320 samples (80%) for training, 40 samples (10%) for testing, and 40 samples (10%) for the exam. The effectiveness of the developed models was evaluated by the parameters: Precision, Recall, and Matthews correlation coefficient. The final model provides high performance on the exam, such as accuracy of 0.82, sensitivity of 0.75, Matthews correlation coefficient of 78%. Conclusions. The conducted studies using the UNet network allowed us to obtain high results for the segmentation of tuberculosis lesions on computed tomography images. The proposed network will be used in the further development of diagnostic systems for tuberculosis., Проблематика. Туберкулез – это хроническое заболевание легких, возникающее из-за бактериальной инфекции и входящее в десятку основных причин смертности человека. Как часть системы автоматизированной диагностики выявление туберкулезных поражений на компьютерных томограммах легких в автоматическом режиме является актуальной задачей. Цель. Решение проблемы сегментации пораженных участков легких на компьютерных томограммах с помощью цифровой обработки изображений на основе U-сетей. Методика реализации. Данные для обучения сети предоставлены специалистами ГУ “Национальный институт фтизиатрии и пульмонологии им. Ф.Г. Яновского НАМН Украины”. Сегментация изображений выполнена средствами искусственного интеллекта с помощью сверточной нейронной сети U-Net, которая была разработана для задач медицинской сегментации. Рассмотрены три версии U-Net сетей с различными значениями параметров. Особенностью U-Net является отсутствие полносвязных слоев. Данная сеть является примером архитектуры кодировщика-декодировщика, которая показывает высокие результаты в задачах семантической сегментации изображений. В двух последних моделях применена техника ранней остановки обучения, которая позволяет избежать эффекта переобучения сети. Количество эпох обучения задается с запасом, при этом процесс обучения параметров сети останавливается, как только производительность модели прекращает улучшаться на тестовом наборе данных. Результаты. Набор данных был разделен на 320 образцов (80 %) для обучения, 40 образцов (10 %) для тестирования и 40 образцов (10 %) для экзамена. Эффективность разработанных моделей была оценена параметрами: точность, чувствительность, коэффициент корреляции Мэтьюза. Окончательная модель обеспечивает на экзамене высокие показатели производитель­ности, такие как точность 0,82, чувствительность 0,75, коэффициент корреляции Мэтьюза 78 %. Выводы. Проведенные исследования при применении сети U-Net позволили получить высокие результаты для сегментации туберкулезных поражений на изображениях компьютерной томографии. Предлагаемая сеть будет применена при дальнейшей разработке диагностических систем при заболевании туберкулезом., Проблематика. Туберкульоз – це хронічне захворювання легень, яке виникає через бактеріальну інфекцію та входить до десятки основних причин смертності людини. Як частина системи автоматизованої діагностики виявлення туберкульозних уражень на комп’ютерних томограмах легень у автоматичному режимі є актуальною задачею. Мета. Вирішення проблеми сегментації уражених туберкульозом ділянок легень на комп’ютерних томограмах за допомогою цифрової обробки зображень на основі U-мереж. Методика реалізації. Дані для навчання мережі надано фахівцями ДУ “Національний інститут фтизіатрії і пульмонології ім. Ф.Г. Яновського НАМН України”. Сегментація зображень виконана засобами штучного інтелекту за допомогою згорткової нейронної мережі U-Net, яка була розроблена для задач медичної сегментації. Розглянуто три версії U-Net мереж із різними параметрами. Особливістю U-Net є відсутність повнозв’язних шарів. Ця мережа є прикладом архітектури кодувальника-декодувальника, що показує високі результати в задачах семантичної сегментації зображень. У двох останніх моделях застосована техніка ранньої зупинки навчання, яка дає можливість уникнути ефекту перенавчання мережі. Кількість епох навчання задається із запасом, при цьому процес навчання параметрів мережі зупиняється, щойно продуктивність моделі припиняє поліпшуватися на тестовому наборі даних. Результати. Набір даних був розділений на 320 зразків (80 %) для навчання, 40 зразків (10 %) для тес­тування та 40 зразків (10 %) для екзамену. Ефективність розроблених моделей була оцінена за параметрами: точність, чутливість, коефіцієнт кореляції Метьюза. Кінцева модель забезпечує на екзамені високі показники продуктивності, такі як точність 0,82, чутливість 0,75, коефіцієнт кореляції Метьюза 78 %. Висновки. Проведені дослідження при застосуванні мережі U-Net дали змогу одержати високі результати для сегментації туберкульозних уражень на зображеннях комп’ютерної томографії. Пропонована мережа буде застосована при подальшій розробці діагностичних систем при захворюванні на туберкульоз.

Проблематика. Туберкульоз – це хронічне захворювання легень, яке виникає через бактеріальну інфекцію та входить до десятки основних причин смертності людини. Як частина системи автоматизованої діагностики виявлення туберкульозних уражень на комп’ютерних томограмах легень у автоматичному режимі є актуальною задачею. Мета. Вирішення проблеми сегментації уражених туберкульозом ділянок легень на комп’ютерних томограмах за допомогою цифрової обробки зображень на основі U-мереж. Методика реалізації. Дані для навчання мережі надано фахівцями ДУ “Національний інститут фтизіатрії і пульмонології ім. Ф.Г. Яновського НАМН України”. Сегментація зображень виконана засобами штучного інтелекту за допомогою згорткової нейронної мережі U-Net, яка була розроблена для задач медичної сегментації. Розглянуто три версії U-Net мереж із різними параметрами. Особливістю U-Net є відсутність повнозв’язних шарів. Ця мережа є прикладом архітектури кодувальника-декодувальника, що показує високі результати в задачах семантичної сегментації зображень. У двох останніх моделях застосована техніка ранньої зупинки навчання, яка дає можливість уникнути ефек- ту перенавчання мережі. Кількість епох навчання задається із запасом, при цьому процес навчання параметрів мережі зупиняється, щойно продуктивність моделі припиняє поліпшуватися на тестовому наборі даних. Результати. Набір даних був розділений на 320 зразків (80 %) для навчання, 40 зразків (10 %) для тестування та 40 зразків (10 %) для екзамену. Ефективність розроблених моделей була оцінена за параметрами: точність, чутливість, коефіцієнт кореляції Метьюза. Кінцева модель забезпечує на екзамені високі показники продуктивності, такі як точність 0,82, чутливість 0,75, коефіцієнт кореляції Метьюза 78 %. Висновки. Проведені дослідження при застосуванні мережі U-Net дали змогу одержати високі ре- зультати для сегментації туберкульозних уражень на зображеннях комп’ютерної томографії. Пропонована мережа буде застосована при подальшій розробці діагностичних систем при захворюванні на туберкульоз. Background. Tuberculosis is a chronic lung disease that occurs due to a bacterial infection and is one of the top ten causes of human death. As part of the automated diagnostic system, the detecting tuberculosis lesions on computed tomograms of the lungs in automatic mode is an urgent task. Objective. We are aimed to solve the lungs segmentation tuberculosis-affected areas problem on computer tomograms using digital image processing based on U-networks. Methods. The data for training the network were provided by the specialists of National Institute of Phthisiology and Pulmonology named after F.V. Yanovsky, NAMS of Ukraine. We performed the image segmentation by applying artificial intelligence using the convolutional neural network UNet, which has been developed for medical segmentation tasks. We considered three versions of UNet networks with different parameter values. A feature of U-Net is the absence of fully connected layers. This network is an example of an encoder-decoder architecture, which shows high results in problems of semantic image segmentation. In the last two models, we applied the technique of early stopping of training which avoids the effect of overfitting the network. The number of training epochs is set with amargin, and the process of training network parameters stops as soon as the model performance stops improving on the test data set. Results. The data set was divided into 320 samples (80%) for training, 40 samples (10%) for testing, and 40 samples (10%) for the exam. The effectiveness of the developed models was evaluated by the parameters: Precision, Recall, and Matthews correlation coefficient. The final model provides high performance on the exam, such as accuracy of 0.82, sensitivity of 0.75, Matthews correlation coefficient of 78%. Conclusions. The conducted studies using the UNet network allowed us to obtain high results for the segmentation of tuberculosis lesions on computed tomography images. The proposed network will be used in the further development of diagnostic systems for tuberculosis. Проблематика. Туберкулез – это хроническое заболевание легких, возникающее из-за бактериальной инфекции и входящее в десятку основных причин смертности человека. Как часть системы автоматизированной диагностики выявление туберкулезных поражений на компьютерных томограммах легких в автоматическом режиме является актуальной задачей. Цель. Решение проблемы сегментации пораженных участков легких на компьютерных томограммах с помощью цифровой обработки изображений на основе U-сетей. Методика реализации. Данные для обучения сети предоставлены специалистами ГУ “Национальный институт фтизиатрии и пульмонологии им. Ф.Г. Яновского НАМН Украины”. Сегментация изображений выполнена средствами искусственного интеллекта с помощью сверточной нейронной сети U-Net, которая была разработана для задач медицинской сегментации. Рассмотрены три версии U-Net сетей с различными значениями параметров. Особенностью U-Net является отсутствие полносвязных слоев. Данная сеть является примером архитектуры кодировщика-декодировщика, которая показывает высокие результаты в задачах семантической сегментации изображений. В двух последних моделях применена техника ранней остановки обучения, которая позволяет избежать эффекта переобучения сети. Количество эпох обучения задается с запасом, при этом процесс обучения параметров сети останавливается, как только производительность модели прекращает улучшаться на тестовом наборе данных. Результаты. Набор данных был разделен на 320 образцов (80 %) для обучения, 40 образцов (10%) для тестирования и 40 образцов (10 %) для экзамена. Эффективность разработанных моделей была оценена параметрами: точность, чувствительность, коэффициент корреляции Мэтьюза. Окончательная модель обеспечивает на экзамене высокие показатели производитель- ности, такие как точность 0,82, чувствительность 0,75, коэффициент корреляции Мэтьюза 78 %. Выводы. Проведенные исследования при применении сети U-Net позволили получить высокие результаты для сегментации туберкулезных поражений на изображениях компьютерной томографии. Предлагаемая сеть будет применена при дальнейшей разработке диагностических систем при заболевании туберкулезом.

Метою роботи було дослідження застосування згорткових нейронних мереж для розв’язання задачі сегментації на прикладі сегментації бур’янів. Було розглянуто алгоритмічні підходи та архітектури згорткових нейронних мереж призначені для сегментації зображень. Для створення системи було обрано архітектуру U-net. Програмну модель архітектури для сегментації було реалізовано за допомогою мови програмування Python та бібліотеки Keras. Було проведено дослідження поведінки зображення бур’яну у внутрішніх шарах мережі. Результатом роботи стала мережа для сегментації бур’янів на зображеннях з відеокамери наземного робота. Записка містить 70 сторінок, 19 рисунків, 2 таблиці, 5 додатків і 26 посилань. The aim of the work was to investigate the use of convolutional neural networks to solve the segmentation problem by using a weed segmentation example. Algorithmic approaches and architectures of convolutional neural networks were considered for image segmentation. The U-net architecture was chosen to create the system. The software architecture for segmentation was implemented using the Python programming language and the Keras library. We conducted a survey of the behavior of the image of the weed in the inner layers of the network. The result of the work was the network for segmentation of weeds in the images from the video camera of the ground robot. The note contains 70 pages, 19 figures, 2 tables, 5 annexes and 26 references. Целью работы было исследование использования сверточных нейронных сетей для решения проблемы сегментации на примере сегментации сорняков. Были рассмотрены алгоритмические подходы и архитектуры сверточных нейронных сетей для сегментации изображения. Для создания системы была выбрана архитектура U-net. Архитектура программного обеспечения для сегментации была реализована с использованием языка программирования Python и библиотеки Keras. Проведено исследование поведении изображения сорняков во внутренних слоях сети. Результатом работы стала сеть для сегментации сорняков на изображениях с видеокамеры наземного робота.

Магістерська дисертація: 110 с., 48 рис., 15 табл., 26 джерел літератури. Актуальність теми: сучасні методи аерофотозйомки, і машинного нав- чання здатні раз і назавжди вирішити проблему застарілих карт, завдяки точ- ним знімкам і коректному розпізнаванню об'єктів на них з'являється можли- вість автоматизувати і значно прискорити процес складання карт, в тому числі екстрених і військових. Мета і задачі дослідження: метою даної роботи є дослідження технології сегментації супутникових знімків. Досягнуті результати: в ході виконання даної роботи було отримано не- оціненний досвід роботи з засобами машинного навчання Методи досліджень: для вирішення проблем в даній роботі використо- вувалися методи аналізу, синтезу, системного аналізу, порівняння, логічного узагальнення. Наукова новизна: наукова новизна даної роботи полягає в пошуку нових підходів до навчання згорткової нейронної мережі для досягнення найкращих результатів. Практичне значення отриманих результатів: отримані результати мо- жуть бути застосовані в низці областей так чи інакше пов'язаних з картогра- фією: екстрена картографія, контроль зелених насаджень, моніторинг стану полів і т.д. Master thesis takes 110 pages, contains 48 illustrations and 15 tables, was used 26 sources during preparations. Topicality of subject: cartography – that where is combination of machine learning and cartography coming handy. Machine learning algorithms allows us to recognize any changes on terrain photo and put it to the map immediately. So, now we have a chance to solve such problem like irrelevant maps for good. Aim and goals of research: the goal of these research is to find an optimal way to educate neural network for object recognition. Achievements of research: the research provided author with valuable experience and concluded with optimal machine learning model trained. Methods of research: problems, which are represented in these research ware solved by using following methods: analyses, synthesis, survey, logical comparison, logical generalization. Scientific innovation: scientific innovation of current research lies in finding new approaches to convolutional neural network education. Application of results: results of current research might be applied in various aspects of human activity which are connected to cartography. Its might commit multiple monitoring tasks including, emergency maps generation, forest resource observation, crops observation etc.