Порівняння ефективності розпізнавання моделей нейромереж для МРТ

Kulyk, Y.

Порівняння ефективності розпізнавання моделей нейромереж для МРТ

dc.contributor.author	Kulyk, Y.	en
dc.date.accessioned	2025-07-24T11:20:17Z
dc.date.available	2025-07-24T11:20:17Z
dc.date.issued	2024
dc.description.abstract	In this study, a comparative analysis of the effectiveness of different neural network models for the task of segmenting brain lesions on magnetic resonance imaging (MRI) images was performed. Using Deep Neural Networks (DNN), UNet (a modified CNN for segmentation), Recurrent Neural Networks (RNN), research was conducted on accuracy, speed, resource consumption, and robustness to data changes. The research results indicate the most effective model for this task.	en
dc.identifier.citation	Дербалюк Є. Р., Кулик Я. А. Порівняння ефективності розпізнавання моделей нейромереж для МРТ // Матеріали Всеукраїнської науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2024)», Вінниця, 11-20 травня 2024 р. Електрон. текст. дані. 2024. URI: https://conferences.vntu.edu.ua/index.php/mn/mn2024/paper/view/21104.	uk
dc.identifier.isbn	978-617-8163-14-3
dc.identifier.udc	004.891.3+004.81.
dc.identifier.uri	https://ir.lib.vntu.edu.ua/handle/123456789/47307
dc.language.iso	uk_UA	uk_UA
dc.publisher	Вінницький національний технічний університет	uk
dc.relation.ispartof	Матеріали Всеукраїнської науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2024)», Вінниця, 11-20 травня 2024 р.	uk
dc.relation.references	Attention is All You Need. In Advances in Neural Information Processing Systems. Cornell University. URL: https://arxiv.org/abs/1706.03762.	en
dc.relation.references	Comparative Study of Deep Learning Models for Medical Image Segmentation. ResearchGate. URL: https://www.researchgate.net/publication/321479251_A_comparative_study_of_deep_lear ning_models_for_medical_image_classification.	en
dc.relation.references	A Comparative Analysis of Deep Learning Architectures for Medical Image Segmentation https://iopscience.iop.org/article/10.1088/1757-899X/263/4/042097\.	en
dc.relation.references	LeCun, Y., Bengio, Y. and Hinton, G. (2015) Deep Learning. Nature, 521, 436-444. - References Scientific Research Publishing. SCIRP Open Access. URL: https://www.scirp.org/reference/referencespapers?referenceid=1911084 (date of access: 19.04.2024).	en
dc.relation.references	Olaf Ronneberger, Philipp Fischer, Thomas Brox (2015) U-Net: Convolutional Networks for Biomedical Image Segmentation. arXiv.org. URL: https://arxiv.org/abs/1505.04597.	en
dc.relation.uri	https://conferences.vntu.edu.ua/index.php/mn/mn2024/paper/view/21104
dc.subject	DNN	en
dc.subject	U-Net	en
dc.subject	RNN	en
dc.subject	segmentation of brain lesions	en
dc.subject	MRI	en
dc.subject	neural networks	en
dc.subject	comparative analysis	en
dc.subject	efficiency of models	en
dc.subject	accuracy	en
dc.subject	speed	en
dc.subject	resource consumption	en
dc.subject	sustainability	en
dc.title	Порівняння ефективності розпізнавання моделей нейромереж для МРТ	uk
dc.type	Thesis

Файли

Контейнер файлів

Зараз показуємо 1 - 1 з 1

Назва:: 21104.pdf
Розмір:: 409,09 KB
Формат:: Adobe Portable Document Format

Завантажити

Ліцензійна угода

Зараз показуємо 1 - 1 з 1

Назва:: license.txt
Розмір:: 17 B
Формат:: Plain Text
Опис:

Завантажити

Порівняння ефективності розпізнавання моделей нейромереж для МРТ

Файли

Контейнер файлів

Ліцензійна угода

Зібрання