Магістерська дисертація складається з 4 розділів, 97 сторінок, містить 39 ілюстрацій, 33 таблиць, було опрацьовано 46 джерел.
Мета роботи: автоматизація процесу розпізнавання онкологічних захворювань, що забезпечуватиме підвищення точності та достовірності роботи систем діагностики.

Об’єктом дослідження є пухлинні захворювання.
Предметом дослідження є алгоритми нейронних мереж для виявлення та класифікації захворювань на основі ультразвукових зображень.

Завдання магістерської роботи:
1. Проаналізувати існуючі хвороби та методи їх виявлення, проаналізувати алгоритми лікування з метою виявлення влучного моменту для діагностики, розібратися в існуючих системах та винайти шляхи поліпшення.
2. Ознайомитися з існуючими методами автоматизованої діагностики.
3. Обґрунтувати використання нейронних мереж для покращення якості діагностики
4. Розробити алгоритмічне та програмне забезпечення запропонованої автоматизованої системи діагностики.
5. Проаналізувати точність виявлення захворювання в порівнянні з іншими методами.
6. Експериментально дослідити ефективність методу.

Керівник: доц., к.т.н., доц. Галаган Р.М.

Повний текст дисертації (.pdf)

Повний перелік магістерських дисертацій

Перелік літературних посилань

[1] Галаган Р. М. Теоретичні основи ультразвукового неруйнівного контролю: підручник / Р. М. Галаган. – Київ: КПІ ім. Ігоря Сікорського, 2019. – 263 с.
[2] Momot A. AUTOMATION OF ULTRASOUND BREAST CANCER IMAGES CLASSIFICATION USING DEEP NEURAL NETWORKS / Momot A., Galagan R., Zaboluieva M.. // Sciences of Europe # 96. – 2022. – С. 38–41.
[3] R. M. Galagan and A. S. Momot, "The use of ART-2 neural network for processing information signals of non-destructive testing," 2017 IEEE First Ukraine Conference on Electrical and Computer Engineering (UKRCON), Kiev, 2017, pp. 981-985 (doi: 10.1109/UKRCON.2017.8100395)
[4] Муравйов О. В. Автоматизація методу термографічної діагностики патологій організму людини / О. В. Муравйов, В. Ф. Петрик, Ю. Ю. Лисенко, Г. А. Богдан, А. В. Наконечная // Таврійський науковий вісник. Серія: Технічні науки. – 2022. – №1. – С. 47-53.
[5] Ultrasound Breast Images for Breast Cancer [Електронний ресурс] – Режим доступу до ресурсу: https://www.kaggle.com/datasets/vuppalaadithyasairam/ultrasound-breast-images-for-breast-cancer.
[6] Сторожик Д. В. Комплексування мультиспектральних зображень, як метод підвищення їх інформативності при бінарній сегментації / Д. В. Сторожик, О. В. Муравйов, А. Г. Протасов, В. Г. Баженов, Г. А. Богдан // Наукові вісті КПІ. – 2020. № 2. – С. 82-87.
[7] Сторожик Д. В. Застосування мультиспектрального комплексування зображень у неруйнівному контролі / Д. В. Сторожик, О. В. Муравйов // ХIII Науково-практична конференція студентів, аспірантів та молодих вчених «Погляд у майбутнє приладобудування», 13-14 травня 2020 р., м. Київ, Україна : збірник праць конференції. – Київ : КПІ ім. Ігоря Сікорського, 2020. – С. 323-326.
[8] A Practical Application of Machine Learning in Medicine [Електронний ресурс] – Режим доступу до ресурсу: https://www.macadamian.com/learn/a-practical-
application-of-machine-learning-in-medicine/#:~:text=One%20application%20of%20machine%20learning,inform%20clinicians%20of%20any%20anomalies.
[9] Artificial Intelligence and Machine Learning in Cardiovascular Imaging [Електронний ресурс] – Режим доступу до ресурсу: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7812848/.
[10] Brain contrast-enhanced ultrasonography and elastography in infants [Електронний ресурс] – Режим доступу до ресурсу: https://www.e-ultrasonography.org/.
[11] Bishop, C. M. (2006).Pattern recognition and machine learning. New York,NY: Springer.
[12] Cleerly uses AI-driven heart imaging technology to help save lives with AWS [Електронний ресурс] – Режим доступу до ресурсу: https://aws.amazon.com/blogs/publicsector/cleerly-uses-ai-driven-heart-imaging-technology-to-save-lives-with-aws/.
[13] Cortes, C., Vapnik, V.. Support-Vector Networks. Machine Learning 1995;
[14] Choudhary, R., & Gianey, H. K. (2017). Comprehensive review on super-vised machine learning algorithms.Proceedings of the First InternationalConference on Data Science, E-learning and Information Systems (MLDS),Noida, India,2017:37–43.
[15] C. Cortes and V. Vapnik, “Support-vector networks,” Machine Learning, vol. 20, pp. 273–297, 1995.
[16] D. E. Adkins, “Machine learning and electronic health records: A paradigm shift,” American Journal of Psychiatry, vol. 174, no. 2, pp. 93–94, 2017.
[17] E. S. Berner and M. L. Graber, “Overconfidence as a cause of diagnostic error in medicine,” American Journal of Medicine, vol. 121, no. 5, pp. S2–S23, 2008.
[18] Galagan R. Analysis of application of neural networks to improve the reliability of active thermal NDT / R. Galagan, A. Momot. // Scientific information KPI. – 2019. – №1. – С. 7–14.
[19] Krizhevsky A. Imagenet classification with deep CNNs / A. Krizhevsky, I. Sutskever, G. Hinton. // Proceedings of the Advances in Neural Information Processing Systems. – 2012. – С. 1097–1105.
[20] Розроблення стартап-проекту [Електронний ресурс] : Методичні рекомендації до виконання розділу магістерських дисертацій для студентів інженерних спеціальностей / За заг. ред. О.А. Гавриша. – Київ : НТУУ «КПІ», 2016. – 28 с.
[21] Гавриш, О. А. Розробка стартап-проектів. Конспект лекцій [Електронний ресурс] : навчальний посібник для студентів спеціальностей 151 – «Автоматизація та комп’ютерно-інтегровані технології» та 152 – «Метрологія та інформаційно-вимірювальна техніка» / О. А. Гавриш, К. О. Бояринова, К. О. Копішинська ; КПІ ім. Ігоря Сікорського. – Електронні текстові данні (1 файл: 2,88 Мбайт). – Київ : КПІ ім. Ігоря Сікорського, 2019. – 188 с. – Назва з екрана.
[22] Гавриш, О. А. Розробка стартап-проектів: практикум [Електронний ресурс] : навчальний посібник для студентів спеціальностей 151 – «Автоматизація та комп’ютерно-інтегровані технології» та 152 – «Метрологія та інформаційно-вимірювальна техніка» / О. А. Гавриш, К. О. Бояринова, К. О. Копішинська ; КПІ ім. Ігоря Сікорського. – Електронні текстові данні (1 файл: 2,11 Мбайт). – Київ : КПІ ім. Ігоря Сікорського, 2019. – 116 с. – Назва з екрана. [23] General Ultrasound [Електронний ресурс] – Режим доступу до ресурсу: https://www.radiologyinfo.org/en/info/genus.
[24] Pros And Cons Of Anomaly Detection Techniques [Електронний ресурс] – Режим доступу до ресурсу: https://roboticsbiz.com/pros-and-cons-of-anomaly-detection-techniques/.
[25] Дорофей В. В. USING OF MACHINE LEARNING METHODS IN MEDICAL DIAGNOSTICS / В. В. Дорофей, О. К. Шкодзінський. – 2019. – С. 28.
[26] Yadav, M., Malhotra, P., Vig, L., Sriram, K., Shroff, G.. ODE - Augmented Training Improves Anomaly Detection in Sensor Data from Machines. arXiv preprint arXiv:160501534 2016;:1–5.
[27] Lindstrom, J., Larsson, H., Jonsson, M., Lejon, E.. Towards Intelligent ¨ and Sustainable Production: Combining and Integrating Online Predictive Maintenance and Continuous Quality Control. In: Procedia CIRP. 2017,.
[28] Hinton, G.E., Salakhutdinov, R.R.. Reducing the dimensionality of data with neural networks. Science 2006;.
[29] Machine learning for detection of anomalies in press-hardening: Selection of efficient methods. // 51st CIRP Conference on Manufacturing Systems. – 2018. – С. 1080–1083.
[30] Drivetrain Approach for Machine Learning [Електронний ресурс] – Режим доступу до ресурсу: https://vitalflux.com/category/machine-learning/.
[31] J&J's Ethicon, CMR Surgical pair up on minimally invasive robotic surgery [Електронний ресурс] – Режим доступу до ресурсу: https://www.fiercebiotech.com/medtech/jjs-ethicon-cmr-surgical-pair-minimally-invasive-robotic-surgery.
[32] MACHINE LEARNING FOR ANOMALY DETECTION: IN-DEPTH OVERVIEW [Електронний ресурс] – Режим доступу до ресурсу: https://nix-united.com/blog/machine-learning-for-anomaly-detection-in-depth-overview/.
[33] Zisserman A. VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION / A. Zisserman, K. Simonyan. – 2015. – С. 7–14.
[34] Piyush S. Machine learning techniques for medical diagnosis of diabetes using iris images / S. Piyush, A. Ravinder. – 2018. – С. 121–128.
[35] Jimmy S. Medical diagnosis using machine learning: a statistical review / S. Jimmy, B. Kaustubh Arun. – 2021. – С. 107–125.
[36] Bradley J. E. Machine Learning for Medical Imaging / J. Erickson Bradley. – 2017. – С. 505–515.
[37] Kaustubh A. B. A comprehensive review on medical diagnosis using machine learning / A. B. Kaustubh, A. Ahed. – 2021. – С. 1997–2014. [38] Heinrichs B. Machine learning algorithms for medical diagnosis and prediction / Bert Heinrichs. – 2019. – С. 1435–1443.
[39] Vapnik, V., & Izmailov, R. (2016). Synergy of monotonic rules.The Journalof Machine Learning Research,17, 4722–4754
[40] ordan, M. I., & Mitchell, T. M. (2015). Machine learning: Trends, perspec-tives, and prospects.Science,349, 255–260.
[41] Kononenko, I. (2001). Machine learning for medical diagnosis: History,state of the art and perspectives.Artificial Intelligence in Medicine,23,89–109.
[42] Moradi, E., Pepe, A., Gaser, C., Huttunen, H., Tohka, J., & Alzheimer's Dis-ease Neuroimaging Initiative. (2015). Machine learning framework forearly MRI-based Alzheimer's conversion prediction in MCI subjects.NeuroImage,104, 398–412.
[43] S. Mangrulkar, “Artificial neural systems,” ISA Transaction, vol. 29, no. 1, pp. 5–7, 1990.
[44] I. A. Ozkan, M. Koklu and I. U. Sert, “Diagnosis of urinary tract infection based on artificial intelligence methods,” Computer Methods and Programs in Biomedicine, vol. 166, pp. 51–59, 2018.
[45] S. L. Chong, N. Liu, S. Barbier and M. E. H. Ong, “Predictive modeling in pediatric traumatic brain injury using machine learning data analysis, statistics and modeling,” BMC Medical Research Methodology, vol. 15, no. 1, pp. 1–9, 201
[46] R. Yamashita, M. Nishio, R. K. G. Do and K. Togashi, “Convolutional neural networks: An overview and application in radiology,” Insights Imaging, vol. 9, no. 4, pp. 611–629, 2018.
[47] N. Cristianini and J. Shawe-Taylor, Support vector machines. AnIntroductiontoSupportVectorMachines and Other Kernel-based Learning Methods. Cambridge, UK: Cambridge University Press, 94–124, 2000.
[48] Ковальов В. Розпізнавання пухлин на ультразвукових зображеннях печінки з використанням вирішальних правил / Ковальов В.. – 2016. – С. 60–70.
[49] Новітні системи та технології: навчальний посібник / Ю. В. Куц, Ю. Ю. Лисенко, А.С. Момот; КПІ ім. Ігоря Сікорського. – Київ: КПІ ім. Ігоря Сікорського, 2022. – 123 с.
[50] Спеціальні розділи математики. Курс лекцій: навчальний посібник / Ю. В. Куц, Ю. Ю. Лисенко; КПІ ім. Ігоря Сікорського. – Київ: КПІ ім. Ігоря Сікорського, 2022. – 180 с.