https://ir.lib.vntu.edu.ua//handle/123456789/3063 монографії, книги, статті, матеріали конференцій 2026-08-22T05:09:06Z https://ir.lib.vntu.edu.ua//handle/123456789/52003 Особливості проектування та оцінювання баз даних для медичних інформаційних систем Костішин, С. В.; Тимчик, С. В.; Криворучко, І. О.; Kostishyn, S. V.; Tymchyk, S.; Krivoruchko, І. The article investigates the features of designing and evaluating databases (DB) for medical information systems (HIS). It examines the modern paradigm of transition to digital ecosystems and the role of HL7 FHIR and DICOM standards in ensuring interoperability. Particular attention is paid to the mathematical justification of design quality using Halstead metrics, queuing theory (M/M/1 model), and Kingman's formula for performance analysis. The author proposes a methodology for calculating an integral DB quality indicator, considering complexity, speed, reliability, and resource efficiency. The design stages based on DFD and ERD models are defined, and the advantages of hybrid architecture combining relational and NoSQL solutions for protecting sensitive medical data according to Ukrainian legislation are analyzed.; У статті досліджено особливості проектування та оцінювання баз даних (БД) для медичних інформаційних систем (МІС). Розглянуто сучасну парадигму переходу до цифрових екосистем та роль стандартів HL7 FHIR і DICOM у забезпеченні інтероперабельності. Особливу увагу приділено математичному обґрунтуванню якості проектних рішень за допомогою метрик Холстеда, теорії масового обслуговування (модель M/M/1) та формули Кінгмана для аналізу продуктивності. Автором запропоновано методику розрахунку інтегрального показника якості БД, що враховує складність, швидкість, надійність та ефективність використання ресурсів. Визначено етапи проектування на основі DFD та ERD моделей, а також проаналізовано переваги гібридної архітектури, що поєднує реляційні та NoSQL рішення для захисту чутливих медичних даних згідно з законодавством України. 2026-01-01T00:00:00Z https://ir.lib.vntu.edu.ua//handle/123456789/51670 Biomedical image quality improvements with Attention Mechanisms and Deep Residual Learning Andikevych, S.; Shcherbatyuk, A.; Poudanien, Yu.; Tuzhanskyi, S.; Kozhemiako, A.; Андрікевич, С. А.; Щербатюк, А. В.; Поуданєн, Ю. Є.; Тужанський, С. Є.; Кожем`яко, А. В. Image segmentation plays a key role in biomedical imaging, allowing different structures or regions of interest, such as organs, tissues, or blood vessels, to be clearly identified for further analysis and diagnosis. Segmentation of retinal vessels in fundus images is particularly challenging due to low contrast and complex vascular structure, which complicates the diagnosis of ophthalmic diseases. In this study, we present a state-of-the-art deep learning approach to improve biomedical image quality and segmentation accuracy using Attention U-Net++ combined with the ResNet support network. Attention mechanisms enhance the model"s ability to focus on fine details of blood vessels, while deep residual learning ensures the stability of deep architecture learning. The method is evaluated on a fundus image dataset, achieving a Dice score of 0.8694 and an Intersection over (IoU) score of 0.7690, demonstrating competitiveness with state-of-the-art methods. The results of the visual analysis emphasize the model\"s ability to accurately delineate vessels and indicate areas for improvement, namely the development of methods for finding small vessels. The results demonstrate the potential of attention and residual learning mechanisms to improve biomedical image analysis, offering a reliable tool for clinical applications in the diagnosis of retinal diseases. 2025-01-01T00:00:00Z https://ir.lib.vntu.edu.ua//handle/123456789/51669 Метод підвищення чіткості дрібних деталей біомедичних зображень із використанням графового підсилення Андрікевич, С. А.; Щербатюк, А. В.; Тужанський, С. Є.; Andrikevych, S. A.; Shcherbatyuk, A. V.; Tuzhanskyi, S. Y. Improving the quality of biomedical images is critically important for ensuring reliable visualization of anatomical structures and pathological changes, which directly affects the accuracy of diagnosis. Improving contrast, reducing noise, and enhancing informative details contribute to more reliable image analysis by both doctors and automated data processing systems. The article presents the implementation of the proposed algorithm for improving the quality of medical images, which is based on graph edge-aware enhancement of structures. The proposed approach uses the green channel as the main source of structural information to build a graph model of local connections between pixels and performs iterative smoothing, taking into account intensity differences. Based on the difference between the initial and smoothed images, a detail map is formed, which, together with an additional high-frequency component obtained using a Gaussian filter, is used to enhance the vascular pattern. The selected details are transferred to the RGB color space with different weighting factors, which ensures the preservation of the natural color balance. A series of test images from open sources are processed and the results of the algorithm are evaluated. The results obtained demonstrate an increase in the informativeness of images and improved visualization of vascular structures. The practical significance of the approach lies in the possibility of its application in computer diagnostics systems to improve the quality of medical image analysis.; Підвищення якості біомедичних зображень є критично важливим для забезпечення достовірної візуалізації анатомічних структур і патологічних змін, що безпосередньо впливає на точність діагностики. Покращення контрасту, зниження шуму та підсилення інформативних деталей сприяють більш надійному аналізу зображень як лікарями, так і автоматизованими системами обробки даних. У статті представлено реалізацію  запропонованого алгоритму покращення якості медичних зображень, що базується на графовому edge-aware підсиленні структур. Запропонований підхід використовує зелений канал як основне джерело структурної інформації для побудови графової моделі локальних зв\"язків між пікселями та виконує ітераційне згладжування з урахуванням інтенсивнісних відмінностей. На основі різниці між початковим і згладженим зображенням формується карта деталей, яка разом із додатковою високочастотною складовою, отриманою за допомогою гаусового фільтра, використовується для підсилення судинного рисунка. Реалізовано перенесення виділених деталей у кольоровий простір RGB з різними ваговими коефіцієнтами, що забезпечує збереження природного кольорового балансу. Проведено обробку серії тестових зображень із відкритих джерел та виконано оцінювання результатів роботи алгоритму. Отримані результати демонструють підвищення інформативності зображень і покращення візуалізації судинних структур. Практична значущість підходу полягає у можливості його застосування в системах комп\"ютерної діагностики для підвищення якості аналізу медичних зображень. 2026-01-01T00:00:00Z https://ir.lib.vntu.edu.ua//handle/123456789/51668 Гібридна архітектура Edge-cloud для обробки часових рядів у телемедичних IoT-пристроях Яковишен, П. О.; Тужанський, С. Є.; Yakovyshen, P. O.; Tuzhanskyi, S. Ye. This paper proposes a hybrid edge-cloud architecture for processing time series data in telemedicine IoT systems based on wearable devices. The relevance of the study is driven by the need to ensure efficient, low-latency, energy-efficient, and scalable analysis of large volumes of biomedical data generated in real time. The proposed architecture enables the distribution of computational tasks between the edge layer and cloud infrastructure, taking into account signal characteristics. At the edge level, preliminary data processing is performed, including signal filtering using a Kalman filter, dimensionality reduction via Piecewise Aggregate Approximation (PAA), and anomaly detection using the Isolation Forest algorithm. In addition, an adaptive data transmission policy is implemented, based on signal variability estimation, which allows dynamic selection between transmitting full data segments or aggregated features to the cloud. At the cloud level, in-depth analysis of temporal dependencies is carried out using a hybrid CNN-LSTM model that combines the advantages of convolutional and recurrent neural networks for effective extraction of complex patterns in the data. Simulation results on publicly available datasets demonstrate that the proposed approach reduces processing latency to 120 ms, decreases network traffic by approximately 65 %, and achieves anomaly detection accuracy of 91 %. The obtained results confirm the effectiveness of adaptive workload distribution between edge and cloud layers, ensuring a balance between system responsiveness, analytical accuracy, and energy efficiency. The proposed architecture can be applied in modern telemedicine monitoring systems, particularly under conditions of limited network resources and strict real-time processing requirements.; У даній роботі запропоновано гібридну архітектуру edge-cloud для обробки часових рядів у телемедичних IoT-системах, що базуються на використанні носимих пристроїв. Актуальність дослідження зумовлена необхідністю забезпечення оперативного, енергоефективного та масштабованого аналізу великих обсягів біомедичних даних, які генеруються в режимі реального часу. Запропонована архітектура передбачає розподіл обчислювальних задач між edge-рівнем та хмарною інфраструктурою з урахуванням характеристик сигналу. На edge-рівні реалізовано попередню обробку даних, що включає фільтрацію сигналів за допомогою фільтра Калмана, зменшення розмірності методом Piecewise Aggregate Approximation (PAA), а також виявлення аномалій із використанням алгоритму Isolation Forest. Додатково впроваджено адаптивну політику передачі даних, яка базується на оцінці варіабельності сигналу та дозволяє динамічно визначати доцільність передачі повних даних або лише агрегованих ознак до cloud-рівня. На хмарному рівні здійснюється глибокий аналіз часових залежностей із використанням гібридної моделі CNN–LSTM, що поєднує переваги згорткових та рекурентних нейронних мереж для ефективного виявлення складних патернів у даних. Проведене моделювання на відкритих наборах даних показало, що запропонований підхід дозволяє зменшити затримку обробки даних до 120 мс, скоротити мережевий трафік приблизно на 65 % та досягти точності класифікації аномалій на рівні 91 %. Отримані результати підтверджують ефективність адаптивного розподілу обчислювального навантаження між edge- та cloud-рівнями, що забезпечує баланс між швидкодією, точністю аналізу та енергоефективністю системи. Запропонована архітектура може бути використана для побудови сучасних телемедичних систем моніторингу стану здоров’я, особливо в умовах обмежених мережевих ресурсів та високих вимог до обробки даних у реальному часі. 2026-01-01T00:00:00Z