| DC Field | Value | Language |
|---|
| dc.contributor.author | Старичкова, Ю. В. | - |
| dc.contributor.author | Антоненко, С. В. | - |
| dc.contributor.author | Газанова, Н. Ш. | - |
| dc.coverage.spatial | Минск | en_US |
| dc.date.accessioned | 2025-02-05T08:47:24Z | - |
| dc.date.available | 2025-02-05T08:47:24Z | - |
| dc.date.issued | 2024 | - |
| dc.identifier.citation | Старичкова, Ю. В. Применение радиомических признаков для классификации патологий печени методами машинного обучения = The use of radiomic features for the classification of liver pathologies by machine learning methods / Ю. В. Старичкова, С. В. Антоненко, Н. Ш. Газанова // Медэлектроника–2024. Средства медицинской электроники и новые медицинские технологии : сборник научных статей XIV Международной научно-технической конференции, Минск, 5–6 декабря 2024 г. / Белорусский государственный университет информатики и радиоэлектроники [и др.]. – Минск, 2024. – С. 192–195. | en_US |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/58983 | - |
| dc.description.abstract | Данное исследование посвящено разработке и тестированию подходов к автоматизации
диагностики патологий на основе радиомических признаков, извлечённых из медицинских изображений.
С помощью библиотеки PyRadiomics были получены текстурные и структурные характеристики
патологий печени, такие как гетерогенность и контрастность, которые позволяют более точно
интерпретировать особенности снимков. В качестве классификаторов применялись алгоритмы CatBoost
и LightGBM, зарекомендовавшие себя в анализе данных высокой размерности. Модели обучались и
оценивались на основе метрик accuracy и F1-score для обеспечения высокой точности и надёжности
классификации. В ходе экспериментов также исследовалось влияние увеличения объёма обучающей
выборки за счёт добавления данных, полученных по результатом сегментации патологий с
использованием библиотеки NNUnet. Результаты показали, что дополнение данных способствует
улучшению ключевых метрик, что свидетельствует о потенциальной эффективности предложенного
подхода для поддержки медицинской диагностики. | en_US |
| dc.language.iso | ru | en_US |
| dc.publisher | БГУИР | en_US |
| dc.subject | материалы конференций | en_US |
| dc.subject | радиомические признаки | en_US |
| dc.subject | машинное обучение | en_US |
| dc.subject | медицинские изображения | en_US |
| dc.subject | диагностика патологий | en_US |
| dc.subject | CatBoost | en_US |
| dc.subject | LightGBM | en_US |
| dc.subject | PyRadiomics | en_US |
| dc.title | Применение радиомических признаков для классификации патологий печени методами машинного обучения | en_US |
| dc.title.alternative | The use of radiomic features for the classification of liver pathologies by machine learning methods | en_US |
| dc.type | Article | en_US |
| local.description.annotation | This study aims to develop and test approaches to automate pathology diagnostics based on radiomic
features extracted from medical images. Using the PyRadiomics library, textural and structural characteristics of
liver pathologies, such as heterogeneity and contrast, were obtained, which allow for a more accurate
interpretation of image features. CatBoost and LightGBM algorithms, which have proven themselves in highdimensional
data analysis, were used as classifiers. The models were trained and evaluated based on the
accuracy and F1-score metrics to ensure high accuracy and reliability of classification. During the experiments,
the effect of increasing the training sample size by adding data obtained as a result of pathology segmentation
using the NNUnet library was also investigated. The results showed that data supplementation contributes to the
improvement of key metrics, which indicates the potential effectiveness of the proposed approach for supporting
medical diagnostics. | en_US |
| Appears in Collections: | Медэлектроника - 2024
|
