Публикации автора

Цель. Данная работа посвящена преодолению высоких требований к вычислительным ресурсам и объему оперативной памяти путем разработки методов эффективной оптимизации генеративно-состязательных сетей, адаптированных для генерации сигналов электрокардиограмм.

Метод. В работе использованы методы глубокого обучения генеративно-состязательных сетей, способы обработки сигналов электрокардиограмм и реализации адаптивной квантизации весовых коэффициентов по поиску оптимального уровня квантизации для снижения потребления памяти при сохранении качества синтеза данных.

Результат. В результате проведённых экспериментов была разработана и обучена собственная архитектура генеративно-состязательной сети для синтеза сигналов электрокардиограмм. Сравнительный анализ метрики Fréchet Distance подтвердил высокое сходство сгенерированных данных с реальными ЭКГ -записями. Разработанный метод адаптивного квантования AGWR обеспечил сокращение потребления оперативной памяти на 75% при сохранении качества синтеза, превосходя традиционный подход Min-Max даже при экстремальном сжатии весов до 4 бит.

Вывод. Работа преодолевает ограничения GAN по вычислительным ресурсам, открывая возможности для практического внедрения в медицинские системы с ограниченными аппаратными ресурсами. Предложенная методика способствует восполнению дефицита клинических данных, ускоряя развитие интеллектуальных диагностических инструментов и персонализированной медицины в области сердечно-сосудистой патологии.

Исследованы возможности применения алгоритмов компьютерного зрения для распознавания клеток крови на биомедицинских изображениях. В качестве основного инструмента используются искусственные нейронные сети. Выполнена разметка и аугментация анализируемых изображений, подготовлены данные для обучения нейронных сетей, представлено сравнение различных нейросетевых архитектур. Также разработан алгоритм распознавания пересекающихся объектов, основанный на разделении контура объекта на сегменты по ключевым точкам. Приведены результаты работы алгоритмов на реальных изображениях микроскопии крови, выполнено сравнение их эффективности, выделены достоинства и недостатки. Наиболее высокие показатели точности распознавания были достигнуты с применением нейронной сети YOLOv8. Проведенные в рамках работы эксперименты показали эффективность применения нейросетевого подхода для анализа биомедицинских
изображений.