| dc.contributor.author | Адаменко, Д. К. | uk |
| dc.contributor.author | Мартинюк, В. В. | uk |
| dc.contributor.author | Adamenko, D. K. | en |
| dc.contributor.author | Martyniuk, V. V. | en |
| dc.date.accessioned | 2026-09-03T10:29:57Z | |
| dc.date.available | 2026-09-03T10:29:57Z | |
| dc.date.issued | 2026 | |
| dc.identifier.citation | Адаменко Д. К., Мартинюк В. В. Прогнозування розподілу дози іонізуючого випромінювання в променевій терапії за допомогою архітектури U-Net // Матеріали Міжнародної науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2026)», м. Вінниця, 22-26 червня 2026 р. Електрон. текст. дані. 2026. URI: https://conferences.vntu.edu.ua/index.php/mn/mn2026/paper/view/29409. | uk |
| dc.identifier.uri | https://ir.lib.vntu.edu.ua/handle/123456789/52853 | |
| dc.description.abstract | У статті розглядається застосування алгоритмів глибинного навчання для прискорення розрахунку дозиметричних планів у променевій терапії. Проаналізовано ефективність використання архітектури U-Net для прогнозування 3D-розподілу дози іонізуючого випромінювання на основі комп'ютерних томограм. Показано переваги нейромережевого підходу над традиційними аналітичними методами та алгоритмом Монте-Карло у швидкодії за збереження високої точності. | uk |
| dc.description.abstract | The article considers the application of deep learning algorithms to accelerate the calculation of dosimetric plans in radiation therapy. The efficiency of using the U-Net architecture to predict the 3D dose distribution of ionizing radiation based on computed tomography scans is analyzed. The advantages of the neural network approach over traditional analytical methods and the Monte Carlo algorithm in speed while maintaining high accuracy are shown. | en |
| dc.language.iso | uk_UA | uk_UA |
| dc.publisher | ВНТУ | uk |
| dc.relation.ispartof | Матеріали Міжнародної науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2026)», м. Вінниця, 22-26 червня 2026 р. | uk |
| dc.relation.uri | https://conferences.vntu.edu.ua/index.php/mn/mn2026/paper/view/29409 | |
| dc.subject | променева терапія | uk |
| dc.subject | медична фізика | uk |
| dc.subject | іонізуюче випромінювання | uk |
| dc.subject | машинне навчання | uk |
| dc.subject | U-Net | en |
| dc.subject | дозиметрія | uk |
| dc.subject | radiation therapy | en |
| dc.subject | medical physics | en |
| dc.subject | ionizing radiation | en |
| dc.subject | machine learning | en |
| dc.subject | U-Net | en |
| dc.subject | dosimetry | en |
| dc.title | Прогнозування розподілу дози іонізуючого випромінювання в променевій терапії за допомогою архітектури U-Net | uk |
| dc.type | Thesis | |
| dc.identifier.udc | 004.85:615.849 | |
| dc.relation.references | 1 Reynaert N. Monte Carlo treatment planning for photon and electron beams / N. Reynaert // Radiation Physics and Chemistry. – 2003. – Vol. 68, № 5. – P. 643-686. 2 Meyer P. Survey on deep learning for radiotherapy / P. Meyer [et al.] // Artificial Intelligence in Medicine. – 2018. – Vol. 90. – P. 14-25. 3 Kearney V. DoseNet: a volumetric dose prediction algorithm using 3D fully-convolutional neural networks / V. Kearney [et al.] // Physics in Medicine & Biology. – 2018. – Vol. 63, № 21. – P. 215022. 4 Ronneberger O. U-Net: Convolutional Networks for Biomedical Image Segmentation / O. Ronneberger, P. Fischer, T. Brox // Medical Image Computing and Computer-Assisted Intervention (MICCAI). – 2015. – P. 234-241. 5 Low D. A. A technique for the quantitative evaluation of dose distributions / D. A. Low [et al.] // Medical Physics. – 1998. – Vol. 25, № 5. – P. 656-661. | en |
