The object of research, development or design (in Russian) : Система автоматической диагностики врожденных пороков сердца, в частности дефекта межпредсердной перегородки (ДМПП), с использованием методов машинного обучения и генеративных моделей для обработки и анализа эхокардиографических данных. Система фокусируется на сегментации и распознавании аномалий на ультразвуковых снимках сердца.

The object of research, development or design (in Kazakh) : Жүрекаралық қалқанша ақауларын (ДМПП) автоматты түрде диагностикалау жүйесі, эхокардиографиялық деректерді өңдеу және талдау үшін машиналық оқыту әдістері мен генеративті модельдерді қолданады.

Aim of work (in Russian) : Разработка методов автоматической аннотации и расшифровки эхокардиограммы (ЭхоКГ) и электрокардиограммы (ЭКГ) на основе размеченных данных для определения аномалий. Важным аспектом является повышение точности диагностики до уровня 85-90% за счет использования глубоких нейронных сетей.

Aim of work (in Kazakh) : ЭхоКГ және ЭКГ кескіндеріндегі аномалияларды анықтау үшін автоматты аннотациялау және расшифровкалау әдістерін әзірлеу. Жұмыстың мақсаты — диагностикалық дәлдікті 85-90% деңгейіне дейін көтеру.

Методы исследования (на русском) : Применение гибких методологий разработки программного обеспечения и глубоких сверточных нейронных сетей (CNN). Использовались модели SegFormer и YOLOv7 для сегментации и классификации, а также генеративные модели CycleGAN и Stable Diffusion для увеличения объема данных и улучшения качества изображений. Обработка изображений включала сегментацию ключевых структур сердца (левого и правого предсердия) и корректировку артефактов. Модель обучалась на более чем 500 изображениях.

Методы исследования (на казахском) : Бағдарламалық қамтамасыз етуді икемді әзірлеу әдістері мен терең конволюциялық нейрондық желілер (CNN) қолданылды. Сегментация және классификация үшін SegFormer және YOLOv7, деректер көлемін арттыру үшін генеративті модельдер CycleGAN және Stable Diffusion қолданылды. Жүрек құрылымдарын сегментациялау және артефактілерді түзету 500-ден астам кескіндер негізінде жүргізілді.

Obtained results and novelty (in Russian) : Разработана система с высокой точностью сегментации и классификации дефектов межпредсердной перегородки на основе эхокардиографических изображений. SegFormer модель показала точность сегментации на уровне 93% для анатомических структур сердца, таких как левое предсердие и дефекты перегородок. YOLOv7 обеспечила обнаружение мелких патологий с точностью 91%. Внедрение перекрестной проверки (IoU) позволило сократить количество ложноположительных результатов на 15%. Система была протестирована на 100 тестовых изображениях, показав улучшение диагностической точности до 87% по сравнению с традиционными методами. Новизна: Интеграция моделей SegFormer и YOLOv7 для точной сегментации и классификации в реальном времени представляет собой важное нововведение в области анализа эхокардиографических изображений. Применение генеративных моделей, таких как CycleGAN и Stable Diffusion, для увеличения объема данных позволило увеличить разнообразие и качество обучающих наборов данных на 25%, что повысило общую точность моделей. Впервые разработана мобильная система, которая позволяет проводить диагностику в реальном времени с помощью нейронных сетей, что увеличивает скорость диагностики в клинических условиях на 30%.

Obtained results and novelty (in Kazakh) : Эхокардиографиялық кескіндер негізінде жүрекаралық қалқанша ақауларын сегментациялау және анықтау үшін жоғары дәлдіктегі жүйе жасалды. SegFormer моделі жүрек құрылымдарын сегментациялау дәлдігін 93% деңгейінде көрсетті. YOLOv7 кішкентай патологияларды 91% дәлдікпен анықтады. Айқас тексеріс енгізу (IoU) жалған оң нәтижелерді 15%-ға қысқартты. Жүйе 100 тестілік кескіндерде тексеріліп, дәстүрлі әдістермен салыстырғанда диагностикалық дәлдік 87%-ға дейін артты. Жаңашылдығы: SegFormer және YOLOv7 модельдерін нақты уақыт режимінде сегментациялау және классификациялау үшін біріктіру эхокардиографиялық кескіндерді талдау саласындағы маңызды жаңалық болып табылады. Деректер көлемін 25%-ға арттыру үшін CycleGAN және Stable Diffusion генеративті модельдерін қолдану жалпы модельдердің дәлдігін жақсартты. Нейрондық желілер арқылы нақты уақыт режимінде диагностика жасауға мүмкіндік беретін мобильді жүйе алғаш рет жасалды, бұл клиникалық жағдайларда диагностика жылдамдығын 30%-ға арттырады.

The main constructive and technical economic indicators (in Russian) : В результате оптимизации моделей удалось достичь следующих показателей: Точность сегментации: 93%. Точность обнаружения мелких патологий: 91%. Снижение ложноположительных результатов на 15%. Скорость обработки одного изображения: 3 секунды. Увеличение скорости диагностики: 30%.

The main constructive and technical economic indicators (in Kazakh) : Модельдерді оңтайландыру нәтижесінде келесі көрсеткіштерге қол жеткізілді: Сегментация дәлдігі: 93%. Кішкентай патологияларды анықтау дәлдігі: 91%. Жалған оң нәтижелердің 15%-ға азаюы. Бір кескінді өңдеу жылдамдығы: 3 секунд. Диагностика жылдамдығының 30%-ға артуы.

Level of implementation (in Russian) : Система была внедрена в клиническое учреждение Mediterra для диагностики врожденных пороков сердца. Протестирована на 100 пациентах с эхокардиографическими данными.

Level of implementation (in Kazakh) : Жүйе туа біткен жүрек ақауларын диагностикалау үшін Mediterra клиникалық мекемеде қолданылды. 100 пациенттің эхокардиографиялық деректерінде сыналды.

Efficiency (in Russian) : Система позволила повысить скорость и точность диагностики на 30% по сравнению с традиционными методами. Количество ложноположительных результатов снизилось на 15%, что увеличило надежность диагностики.

Efficiency (in Kazakh) : Жүйе дәстүрлі әдістермен салыстырғанда диагностика жылдамдығын 30%-ға арттыруға мүмкіндік берді. Жалған оң нәтижелер 15%-ға азайды.

Field of application (in Russian) : Система может быть использована в клинических учреждениях для диагностики врожденных пороков сердца на основе эхокардиографии. Также возможно использование системы в образовательных учреждениях для обучения студентов технических и медицинских специальностей.

Field of application (in Kazakh) : Жүйе туа біткен жүрек ақауларын диагностикалау үшін клиникалық мекемелерде қолданылады. Техникалық және медициналық мамандықтар бойынша студенттерді оқыту үшін білім беру мекемелерінде де қолдануға болады.