The object of research, development or design (in Russian) : Объектом исследования данного проекта является разработка и внедрение передовых методов глубокого обучения и нейровизуализации для диагностики инсульта головного мозга. Основное внимание уделяется улучшению точности и скорости диагностических процедур, с целью создания интегрированной системы диагностики, которая сочетает в себе методы машинного обучения, включая сверточные и рекуррентные нейронные сети, и анализ нейровизуализационных данных, таких как МРТ и КТ

The object of research, development or design (in Kazakh) : Зерттеу объектісі – ми инсультын диагностикалауға арналған тереңдетілген оқыту мен нейровизуализация әдістерін әзірлеу және енгізу. Негізгі назар диагностикалық процедуралардың дәлдігі мен жылдамдығын жақсартуға аударылады, сондай-ақ машинамен оқыту әдістерін, соның ішінде свёрточтық және рекурренттік нейрондық желілерді және МРТ мен КТ сияқты нейровизуализациялық деректерді талдауды біріктіретін интеграцияланған диагностика жүйесін құру мақсатында жүргізіледі​

Aim of work (in Russian) : Целью проекта является разработка интегрированной системы диагностики инсульта, сочетающей алгоритмы глубокого обучения с методами нейровизуализации, для обеспечения более быстрого, точного и эффективного распознавания инсультов.

Aim of work (in Kazakh) : Жобаның мақсаты – инсультті тезірек, дәлірек және тиімді тануды қамтамасыз ету үшін терең оқыту алгоритмдерін нейробейнелеу әдістерімен біріктіретін инсульт диагностикасының интеграцияланған жүйесін әзірлеу

Методы исследования (на русском) : Методы исследования, используемые в данном проекте, включают: – Методы глубокого обучения для анализа медицинских изображений: В рамках проекта применяются алгоритмы глубокого обучения, такие как сверточные нейронные сети (CNN) для анализа изображений и рекуррентные нейронные сети (RNN) для последовательных данных. Эти методы позволяют эффективно анализировать большие объемы медицинских изображений, что способствует достижению основной цели – улучшению диагностики инсульта. – Статистический анализ и оценка производительности моделей: Для оценки точности и надежности разработанных моделей используется статистический анализ, включая методы кросс-валидации и анализ чувствительности и специфичности. Это позволяет проверить, насколько хорошо модели справляются с задачей диагностирования инсульта и насколько воспроизводимы их результаты. – Методы обработки и предварительной подготовки данных: Проект включает методы обработки данных для улучшения качества изображений и устранения артефактов. Эти методы, такие как нормализация, аугментация и фильтрация данных, помогают повысить точность алгоритмов при анализе медицинских изображений. – Тестирование и валидация моделей: Тестирование и валидация на независимых наборах данных из различных источников способствует повышению универсальности моделей. – Сравнительный анализ с традиционными методами диагностики: В рамках проекта будет проведен сравнительный анализ разработанных алгоритмов с существующими методами диагностики инсульта.

Методы исследования (на казахском) : Жобада қолданылатын зерттеу әдістері: – Медициналық бейнелерді талдауға арналған тереңдетілген оқыту әдістері: Жоба аясында конволюциялық нейрондық желілер (CNN) сияқты тереңдетілген оқыту алгоритмдері бейнелерді талдау үшін, ал рекурренттік нейрондық желілер (RNN) реттік деректерді талдау үшін қолданылады. Бұл әдістер медициналық бейнелердің үлкен көлемін тиімді талдауға мүмкіндік береді, бұл инсульт диагностикасын жақсартуға көмектеседі. – Модельдердің өнімділігін бағалауға арналған статистикалық талдау: Дәлдік пен сенімділікті бағалау үшін статистикалық талдау, соның ішінде кросс-валидация, сезімталдық және ерекшелік талдауы қолданылады. Бұл модельдердің инсультті диагностикалау тапсырмасымен қаншалықты жақсы жұмыс істейтінін және олардың нәтижелерінің қайталану мүмкіндігін тексеруге мүмкіндік береді. – Деректерді өңдеу және алдын ала дайындау әдістері: Жоба бейнелер сапасын арттыру және артефактілерді жою үшін деректерді өңдеу әдістерін қамтиды. Нормализация, аугментация және деректерді сүзу сияқты әдістер медициналық бейнелерді талдау кезінде алгоритмдердің дәлдігі мен сенімділігін арттыруға көмектеседі. – Модельдерді тестілеу және валидациялау: Әр түрлі дереккөздерінен алынған тәуелсіз деректер жиынтығы бойынша тестілеу және валидациялау модельдердің әмбебаптығын арттыруға ықпал етеді. – Дәстүрлі диагностика әдістерімен салыстырмалы талдау: Жоба аясында жасалған алгоритмдер мен қолданыстағы инсульт диагностикасының әдістері арасында салыстырмалы талдау жүргізіледі.

Obtained results and novelty (in Russian) : Полученные результаты демонстрируют, что разработанная модель глубокого обучения для обнаружения инсульта на КТ-изображениях обладает высокой точностью и чувствительностью, что подтверждает её пригодность для клинического использования. Оптимизация гиперпараметров, включая регуляризацию и применение передовых методов аугментации данных, позволила улучшить устойчивость модели к различиям в данных, что особенно важно для медицинских изображений. В процессе тестирования модель достигла более 80% точности и чувствительности, что превосходит результаты, полученные с использованием классических архитектур. Новизна исследования заключается в адаптации и улучшении существующих архитектур глубокого обучения, таких как модифицированная U-Net и ResNet, для точной сегментации и классификации инсульта на основе многоканальных КТ-изображений. Важной особенностью является использование расширенных методов регуляризации и аугментации, что позволило модели сохранять высокую производительность даже при ограниченном объеме данных. Эти улучшения делают модель особенно полезной для применения в клинических системах поддержки принятия решений, повышая точность и скорость диагностики инсульта.

Obtained results and novelty (in Kazakh) : Алынған нәтижелер КТ-суреттерде инсультты анықтауға арналған терең оқыту моделінің жоғары дәлдік пен сезімталдыққа ие екенін көрсетіп, оны клиникалық қолдануға жарамды екенін растайды. Гиперпараметрлерді оңтайландыру, соның ішінде регуляризация және деректерді аугментациялаудың озық әдістерін қолдану, модельдің деректердегі айырмашылықтарға төзімділігін арттырды, бұл медициналық суреттер үшін аса маңызды. Тестілеу барысында модель 80%-дан жоғары дәлдік пен сезімталдыққа қол жеткізді, бұл классикалық архитектуралармен салыстырғанда жақсы нәтижелер берді. Зерттеудің жаңалығы — модификацияланған U-Net және ResNet секілді терең оқыту архитектураларын көпарналы КТ-суреттерге негізделген инсультты дәл сегментациялау және классификациялау үшін бейімдеу мен жетілдіруде. Модельдің басты ерекшелігі — деректер көлемі шектеулі болған жағдайда да оның жоғары өнімділігін сақтауға мүмкіндік берген кеңейтілген регуляризация және аугментация әдістерін қолдануында. Бұл жетілдірулер модельді шешім қабылдауды қолдау бойынша клиникалық жүйелерде қолдануға ерекше пайдалы етіп, инсультты диагностикалаудың дәлдігі мен жылдамдығын арттырады.

The main constructive and technical economic indicators (in Russian) : Основные конструктивные и технико-экономические показатели включают: 1. Конструктивные особенности: o Использование модульной архитектуры глубокого обучения, что обеспечивает гибкость и возможность масштабирования системы. o Применение оптимизированной сети для сегментации и классификации, адаптированной под анализ многоканальных КТ-изображений. o Интеграция методов регуляризации и аугментации данных для повышения устойчивости модели к различиям в медицинских изображениях. 2. Технико-экономические показатели: o Эффективность: модель достигла более 80% точности и чувствительности, что способствует повышению точности диагностики и снижению вероятности ошибок. o Производительность: благодаря оптимизации гиперпараметров и использованию передовых оптимизаторов, модель демонстрирует стабильную и быструю сходимость, что сокращает время анализа и повышает скорость диагностики. o Экономическая выгода: снижение потребности в ручной интерпретации данных позволяет сократить расходы на труд специалистов, минимизировать время обработки и увеличить доступность диагностики. o Надежность: использование проверенных алгоритмов и архитектур, таких как U-Net и ResNet, улучшает обобщающую способность модели, делая её пригодной для различных клинических условий. Эти показатели подчеркивают не только высокую эффективность и точность модели, но и её экономическую целесообразность и потенциал для внедрения в медицинские системы поддержки принятия решений.

The main constructive and technical economic indicators (in Kazakh) : Негізгі конструктивтік және технико-экономикалық көрсеткіштер мыналарды қамтиды: 1. Конструктивтік ерекшеліктері: o Жүйенің икемділігі мен ауқымдылығын қамтамасыз ететін модульдік терең оқыту архитектурасын қолдану. o Көпарналы КТ-суреттерді талдауға бейімделген сегментация және классификация үшін оңтайландырылған желіні пайдалану. o Медициналық кескіндердегі айырмашылықтарға төзімділікті арттыру үшін регуляризация және деректер аугментациясы әдістерін интеграциялау. 2. Технико-экономикалық көрсеткіштері: o Тиімділік: модель 80%-дан астам дәлдік пен сезімталдыққа қол жеткізді, бұл диагностика дәлдігін арттырып, қателік ықтималдығын азайтады. o Өнімділік: гиперпараметрлерді оңтайландыру және озық оптимизаторларды пайдалану нәтижесінде модель тұрақты және жылдам сходимосты көрсетеді, бұл талдау уақытын қысқартып, диагностика жылдамдығын арттырады. o Экономикалық тиімділік: деректерді қолмен интерпретациялауға деген қажеттілікті азайту мамандарға жұмсалатын шығындарды қысқартып, өңдеу уақытын азайтып, диагностиканың қолжетімділігін арттырады. o Сенімділік: U-Net және ResNet сияқты дәлелденген алгоритмдер мен архитектураларды қолдану модельдің жалпылау қабілетін жақсартып, оны әртүрлі клиникалық жағдайларда қолдануға жарамды етеді. Бұл көрсеткіштер модельдің жоғары тиімділігі мен дәлдігін ғана емес, сонымен қатар оның экономикалық мақсаттылығын және шешім қабылдауды қолдау бойынша медициналық жүйелерде қолдану әлеуетін көрсетеді.

Level of implementation (in Russian) : Не внедрено

Level of implementation (in Kazakh) : Енгізілген жоқ

Efficiency (in Russian) : Эффективность модели заключается в её высокой точности, чувствительности и способности к обобщению, что позволяет ей надёжно выявлять признаки инсульта на КТ-изображениях. Применение усовершенствованных архитектур глубокого обучения, таких как модифицированная U-Net и ResNet, обеспечило достижение более 80% точности и чувствительности, что значительно повышает качество диагностики и снижает вероятность диагностических ошибок. Кроме того, оптимизация гиперпараметров, таких как скорость обучения и методы регуляризации, способствовала стабильной сходимости модели, что ускоряет процесс анализа изображений и повышает эффективность в клинической практике. Использование методов аугментации данных также улучшило устойчивость модели к вариациям данных, что делает её пригодной для работы с разнородными медицинскими изображениями. В целом, модель демонстрирует высокую эффективность как в плане диагностической точности, так и в плане экономии времени и ресурсов, что делает её ценным инструментом для клинической диагностики инсульта и позволяет улучшить процесс принятия решений в медицинских учреждениях.

Efficiency (in Kazakh) : Модельдің тиімділігі оның жоғары дәлдігімен, сезімталдығымен және жалпылау қабілетімен ерекшеленеді, бұл КТ-суреттерде инсульт белгілерін сенімді анықтауға мүмкіндік береді. Модификацияланған U-Net және ResNet сияқты терең оқыту архитектураларын қолдану арқылы модель 80%-дан астам дәлдік пен сезімталдыққа қол жеткізіп, диагностиканың сапасын арттырып, диагностикалық қателіктер ықтималдығын төмендетеді. Сонымен қатар, оқу жылдамдығы және регуляризация әдістері сияқты гиперпараметрлерді оңтайландыру модельдің тұрақты сходимостына ықпал етіп, суреттерді талдау үдерісін жеделдетіп, клиникалық практикадағы тиімділігін арттырады. Деректерді аугментациялау әдістерін пайдалану модельдің деректер вариацияларына төзімділігін жақсартып, оны әртүрлі медициналық кескіндермен жұмыс істеуге бейім етеді. Жалпы, модель диагностикалық дәлдік, уақыт және ресурстарды үнемдеу тұрғысынан жоғары тиімділікті көрсетіп, оны инсультті клиникалық диагностикалау үшін құнды құралға айналдырады және медициналық мекемелерде шешім қабылдау үдерісін жақсартуға мүмкіндік береді.

Field of application (in Russian) : Область применения проекта охватывает медицинскую диагностику, в частности, диагностику инсульта головного мозга с использованием методов искусственного интеллекта и нейровизуализации. Разработанные алгоритмы глубокого обучения могут применяться в клинической практике для анализа медицинских изображений, таких как МРТ и КТ, что позволит быстро и точно выявлять инсультные поражения. Это поможет врачам принимать оперативные и обоснованные решения, особенно в условиях, требующих своевременного вмешательства. Проект также имеет потенциал для использования в телемедицине, позволяя проводить удаленный анализ данных, что особенно важно для регионов с ограниченным доступом к специализированным медицинским услугам. Внедрение данной системы может улучшить качество медицинской помощи и повысить уровень обслуживания пациентов, уменьшая время на диагностику и повышая шансы на успешное лечение.

Field of application (in Kazakh) : Жобаның қолдану саласы медициналық диагностикаға, атап айтқанда, ми инсультын жасанды интеллект және нейровизуализация әдістерін қолдана отырып диагностикалауға бағытталған. Әзірленген тереңдетілген оқыту алгоритмдері клиникалық тәжірибеде МРТ және КТ сияқты медициналық бейнелерді талдау үшін қолданылып, инсульт зақымдануларын жылдам әрі дәл анықтауға мүмкіндік береді. Бұл дәрігерлерге уақытылы және негізделген шешімдер қабылдауға, әсіресе шұғыл араласуды қажет ететін жағдайларда көмектеседі. Жоба телемедицинада да қолданылу әлеуетіне ие, қашықтықтан деректерді талдауға мүмкіндік беріп, мамандандырылған медициналық қызметтерге қолжетімділігі шектеулі өңірлер үшін маңызды рөл атқарады. Жүйені енгізу медициналық көмектің сапасын жақсартуға, диагностика уақытын қысқартуға және емдеудің сәтті өту ықтималдығын арттыруға ықпал етеді.