Диссертация

Математические методы анализа и обработки медицинских изображений важны для современной диагностики. Существующие подходы разделяются на классические, обладающие интерпретируемостью, но ограниченной адаптивностью, и нейросетевые, которые точны, но требуют больших вычислительных ресурсов. В данной работе предлагаются гибридные математические методы, объединяющие методы классического математического моделирования и глубокого обучения. Разработаны и реализованы в виде программного комплекса новые гибридные методы повышения качества изображений магнитно-резонансной томографии, сегментации опухолей на ультразвуковых, гистологических и колоноскопических изображениях и автоматического выбора масштаба анализа полнослайдовых снимков. По результатам вычислительных экспериментов предложенные методы демонстрируют повышенную точность и эффективность в сравнении с существующими решениями, что подтверждает их практическую значимость для создания систем автоматизированной медицинской диагностики.