Academic literature on the topic 'Діагностування захворювань'
Create a spot-on reference in APA, MLA, Chicago, Harvard, and other styles
Contents
Consult the lists of relevant articles, books, theses, conference reports, and other scholarly sources on the topic 'Діагностування захворювань.'
Next to every source in the list of references, there is an 'Add to bibliography' button. Press on it, and we will generate automatically the bibliographic reference to the chosen work in the citation style you need: APA, MLA, Harvard, Chicago, Vancouver, etc.
You can also download the full text of the academic publication as pdf and read online its abstract whenever available in the metadata.
Journal articles on the topic "Діагностування захворювань"
Загородній, О. "Принципи медичної діагностики злоякісного раку шкіри людини за допомогою штучних нейронних мереж." COMPUTER-INTEGRATED TECHNOLOGIES: EDUCATION, SCIENCE, PRODUCTION, no. 40 (September 19, 2020): 31–36. http://dx.doi.org/10.36910/6775-2524-0560-2020-40-05.
Full textSkrypnikova, O. S., and T. P. Yurochko. "РАННЯ ДІАГНОСТИКА ТА СКРИНІНГ ЯК ОСНОВНІ СКЛАДОВІ СТРАТЕГІЇ ПРОТИДІЇ ОНКОЛОГІЧНИМ ЗАХВОРЮВАННЯМ." Вісник соціальної гігієни та організації охорони здоров'я України, no. 2 (October 17, 2019): 23–32. http://dx.doi.org/10.11603/1681-2786.2019.2.10476.
Full textNykytyuk, S. O., and S. I. Klymniuk. "ЛАЙМ-БОРЕЛІОЗ У ДІТЕЙ." Здобутки клінічної і експериментальної медицини, no. 1 (May 5, 2020): 14–25. http://dx.doi.org/10.11603/1811-2471.2020.v.i1.11064.
Full textЯременко, В., and С. Материнська. "Використання штучних нейронних мереж для визначення наявності сердцево-судинних хвороб та захворювань печінки при малих наборах даних." COMPUTER-INTEGRATED TECHNOLOGIES: EDUCATION, SCIENCE, PRODUCTION, no. 40 (September 24, 2020): 164–69. http://dx.doi.org/10.36910/6775-2524-0560-2020-40-25.
Full textHlovatska, K. D. "Метастатичний тричі негативний рак молочної залози: глухий кут чи перманентний стимул наукового пошуку в клінічній онкології? (Наукове есе)." Practical oncology 4, no. 3-4 (February 4, 2022): 11–17. http://dx.doi.org/10.22141/2663-3272.4.3-4.2021.250855.
Full textPavlenko, O. V., T. M. Volosovets, O. M. Doroshenko, M. V. Doroshenko, and N. O. Bacshutova. "ОСОБЛИВОСТІ ВИКЛАДАННЯ СТОМАТОЛОГІЧНИХ АСПЕКТІВ ІНФЕКЦІЙНИХ ЗАХВОРЮВАНЬ НА ЦИКЛАХ ТЕМАТИЧНОГО УДОСКОНАЛЕННЯ ЛІКАРІВ-СТОМАТОЛОГІВ." Медична освіта, no. 3 (May 13, 2019): 83–91. http://dx.doi.org/10.11603/me.2414-5998.2019.3.10132.
Full textСтецюк, В. З., Л. Ю. Бабінцева, Ю. М. Чиж, О. Д. Фіногенов, Н. В. Самоненко, and І. П. Муха. "ВИКОРИСТАННЯ ЕЛЕМЕНТІВ ШТУЧНОГО ІНТЕЛЕКТУ В ЕКСПЕРТНІЙ СИСТЕМІ ДЛЯ ДІАГНОСТУВАННЯ ГЕНЕТИЧНИХ ВІДХИЛЕНЬ." Medical Informatics and Engineering, no. 1 (August 12, 2021): 79–83. http://dx.doi.org/10.11603/mie.1996-1960.2021.1.12192.
Full textСтецюк, В. З., Л. Ю. Бабінцева, Ю. М. Чиж, О. Д. Фіногенов, and Н. В. Самоненко. "ЕКСПЕРТНА СИСТЕМА ДЛЯ ДІАГНОСТУВАННЯ ГЕНЕТИЧНИХ ВІДХИЛЕНЬ." Medical Informatics and Engineering, no. 3 (August 11, 2021): 78–83. http://dx.doi.org/10.11603/mie.1996-1960.2020.3.11611.
Full textPotapchuk, A. M., Ye L. Onipko, M. Yu Sabov, V. M. Almashi, A. V. Yurzhenko, and M. O. Stecique. "Біомаркери в діагностиці хвороб пародонта." Clinical Dentistry, no. 2 (September 5, 2019): 19–25. http://dx.doi.org/10.11603/2311-9624.2019.2.10395.
Full textВасилюк, В. М. "ТЕХНОЛОГІЇ ПЕДАГОГІЧНОГО СПІЛКУВАННЯ ПРИ ДІАГНОСТУВАННІ ПСИХІЧНИХ ЗАХВОРЮВАНЬ." Медична освіта, no. 2 (October 13, 2021): 62–67. http://dx.doi.org/10.11603/me.2414-5998.2021.2.12414.
Full textDissertations / Theses on the topic "Діагностування захворювань"
Ісаєва, О. А., and О. О. Трубіцин. "Способи діагностування захворювань шкіри." Thesis, Вінниця, ВНТУ, 2019. http://openarchive.nure.ua/handle/document/10266.
Full textНовіков, Олександр Олегович. "Комп’ютерні засоби діагностування захворювань на основі нейронної мережі." Bachelor's thesis, КПІ ім. Ігоря Сікорського, 2021. https://ela.kpi.ua/handle/123456789/43287.
Full textThe object of development - the creation of a software system for diagnosing diseases based on the neural network, which allows to determine the presence of the disease. The subject of development is the automation of the diagnosis of diabetic retinopathy. The software system allows user to diagnose the disease on the basis of a digital image that is uploaded using a graphical interface. In the development process were using programming language Python and such packages as TensorFlow, Keras, NumPy. During development: - analysis of machine learning methods for the classification of digital images is carried out; - developed a software system for the diagnosis of diabetic retinopathy with a user interface; - studied the efficiency of the developed software. The use of this software system will make it possible to automate the diagnosis of the disease. That can help to timely treat the patient, save the time and effort of doctors.
Безменова, Ольга Миколаївна. "Про результати діагностування наявності захворювань з використанням алгоритмів класифікації на основі нечітких правил." Thesis, Національний технічний університет "Харківський політехнічний інститут", 2016. http://repository.kpi.kharkov.ua/handle/KhPI-Press/45814.
Full textДорофей, Валентин Вікторович, Назар Мирославович Паляниця, Valentyn Dorofei, and Nazar Palyanytsya. "Розробка та апробація автоматизованих технологій розпізнавання радіологічних зображень та діагностування захворювань на їх основі з використанням нейронних мереж." Master's thesis, Тернопільський національний технічний університет ім. І. Пулюя, Факультет прикладних інформаційних технологій та електроінженерії, Кафедра автоматизації технологічних процесів і виробництв, 2019. http://elartu.tntu.edu.ua/handle/lib/29663.
Full textВ магістерській роботі проведено аналіз наявних методів розпізнавання зображень та методів застосування машинного навчання в медицині. Виконано розроблення програмного пакету для розмічування радіологічних зображень а також власне розмічування цих зображень для їх розпізнавання та діагностування захворювань.
In the master's work the analysis of the available methods of image recognition and use of machine learning methods in medicine is carried out. The software package for marking radiological images has been developed, as well as the actual marking of these images for their recognition and diagnosis of diseases.
Вступ 8 1 Аналітична частина. Загальний огляд проблематики. вибір та опис використаних систем та методів 10 1.1 Обробка зображення та розпізнавання образів 10 1.1.1 Обробка зображення 10 1.1.2 Розпізнавання образів 12 1.2 Діагностика хвороб за допомогою аналізу зображень 16 1.2.1 Медична візуалізація 16 1.2.2 Комп'ютерна діагностика медичних зображень 17 1.2.3 Сучасний стан досліджень КД 18 1.2.4 Виявлення легеневих вузликів на ЗП та бічних рентгенограмах грудної клітки 19 1.2.5 Виявлення переломів хребців на бічних рентгенограмах грудної клітки 20 1.2.6 Виявлення внутрішньочерепної аневризми при МРА 20 1.2.7 Виявлення змін інтервалів у послідовних скануваннях кісток усього тіла 21 2 Науково-дослідна частина Формати медичних зображень 22 2.1 Особливості медичних зображень 22 2.1.1 Глибина пікселя 23 2.1.2 Фотометрична інтерпретація 24 2.1.3 Метадані 25 2.1.4 Дані пікселів 26 2.2 Стандартні формати зображень в медицині 27 2.2.1 BMP 28 2.2.2 TIFF 29 2.2.3 JPEG 29 2.2.4 GIF 30 2.2.5 MPEG 30 2.3 Спеціальні медичні формати 31 2.3.1 Analyze 31 2.3.2 Nifti 32 2.3.3 Minc 33 2.4 DICOM 34 3 Технологічна частина згорткові нейронні мережі 37 3.1 Штучні нейронні мережі 37 3.1.1 Перенавчання 38 3.2 Згорткові нейронні мережі 38 3.3 Архітектура ЗНН 39 3.3.1 Загальна архітектура 40 3.3.2 Згортковий шар 41 3.3.3 Шар пулінгу 43 3.4 Рекуррентна згорткова нейронна мережа 44 3.4.1 Рекуррентні нейронні мережі 44 3.5 Модель рекуррентної згорткової нейронної мережі 45 3.5.1 Рекуррентний згортковий шар 45 3.6 Штучні згорткові нейронні мережі для розпізнавання образів медичної візуалізації 48 3.7 Огляд задач, які вирішуються при використанням ЗНМ при обробці зображень 50 3.7.1 Класифікація 50 3.7.2 Використання згорткових нейронних мереж для класифікації зображень 51 3.7.3 Семантична сегментація 52 3.7.4 Розпізнавання об’єктів 55 3.7.5 Instance Segmentation 57 3.8 Використання ЗНМ для класифікації зображень 57 3.8.1 AlexNet 57 3.8.2 GoogleNet 59 3.8.3 ResNet 59 3.9 Використання ЗНМ для семантичної сегментації 60 3.9.1 U-Net 60 3.10 Використання ЗНМ для детектування об’єктів 61 3.10.1 YOLO 61 3.11 Метрики точності нейромереж для класифікації 62 3.11.1 Точність класифікації 62 3.11.2 Логарифмічна втрата 63 3.11.3 Матриця помилок 63 3.11.4 Площа під кривою 64 3.11.5 F1 показник 65 3.11.6 Середньоквадратична похибка 66 3.12 Метрики точності нейромереж для семантичної сегментації 67 3.12.1 Піксельна точність 67 3.12.2 Коефіцієнт флористичної спільності (коефіцієнт Жаккара) 68 3.12.3 Індекс Соренсена (показник F1) 69 3.13 Функції втрат для класифікації 70 3.13.1 Перехресна ентропія 70 3.13.2 Hinge 72 3.13.3 Функція втрат Г’юбера 73 3.13.4 Розбіжність Куллбека-Лайблера 74 3.13.5 Найменше абсолютне відхилення та найменше квадратне відхилення 74 3.14 Навчання нейромереж на вибірці з незбалансованими класами 75 3.14.1 Навчання з незбалансованих даних за допомогою Гауссової оцінки та моделювання шуму 78 3.14.2 Генерування прикладів даних за допомогою гаусової CPS 83 3.15 Розробка нейромереж за допомогою бібліотеки TensorFlow 88 3.15.1 Архітектура TensorFlow 88 3.15.2 Тензор 89 3.15.3 Графік 89 3.15.4 Як працює TensorFlow 91 3.16 Нейромережевий класифікатор на основі TensorFlow 91 3.16.1 Імпорт пакетів 91 3.16.2 Завантаження даних 92 3.16.3 Підготовка даних 93 3.16.4 Створення моделі 94 3.16.5 Навчання моделі 95 3.16.6 Візуалізація результатів навчання 97 3.17 Збільшення продуктивності моделі 98 3.17.1 Перенавчання 98 3.17.2 Розширення даних 99 3.17.3 Дропаут 102 3.17.4 Навчання мережі 103 3.17.5 Візуалізація моделі 105 4 Конструкторська частина 106 4.1 Машинне навчання у мамографії 107 4.2 ШІ у кардіології 108 4.3 Висновок до розділу 109 5 Спеціальна частина 111 5.1 Стан проблеми 111 5.2 Підготовка даних 112 5.3 DicomImageMarker 117 6 Обґрунтування економічної ефективності 120 6.1 Обчислення затрат на розробку програмного модуля 120 6.2 Визначення експлуатаційних витрат 126 6.3 Визначення економічної ефективності і терміну окупності капітальних вкладень 130 7 ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ 132 7.1 Міжнародна система безпеки при медичному опроміненні 134 7.1.1 Виправданість практичної діяльності при медичному опроміненні 134 7.1.2 Оптимізація захисту при медичному опроміненні 134 7.1.3 Межі дози при медичному опроміненні 135 7.2 Заходи щодо обмеження медичного опромінення при променевій діагностиці 136 7.2.1 Радіаційна безпека при проведенні рентгенологічних досліджень 137 7.3 Захист від випромінювання 138 7.3.1 Гарантування радіаційної безпеки медперсоналу рентгенівських відділень 139 7.3.2 Гарантування радіаційної безпеки пацієнтів при рентгенографії 140 7.3.3 Засоби для гарантування радіаційного захисту медперсоналу та пацієнтів 142 8 ЕКОЛОГІЯ 143 8.1 Енергозбереження і його роль у вирішенні екологічних проблем. 143 8.1.1 Енергоефективність у даному проекті 145 8.2 Джерела електромагнітних полів, іонізуючих випромінювань 146 8.3 Методи знешкодження електромагнітних полів та іонізуючого випромінювання 149 ВИСНОВКИ 151 Бібліографія 152 ДОДАТКИ 160 Додаток А Лістинг програми 161 Додаток Б Ілюстративні матеріали 169
Руденко, Максим Сергійович, Максим Сергеевич Руденко, and Maksym Serhiiovych Rudenko. "Комп'ютеризована система діагностування онкопатологій." Thesis, Видавництво СумДУ, 2011. http://essuir.sumdu.edu.ua/handle/123456789/25310.
Full textШестерикова, Н. П., Д. В. Доля, М. В. Матюшенко, and Ольга Геннадіївна Сімонова. "Обробка медичних зображень на основі фрактального аналізу." Thesis, Національний технічний університет "Харківський політехнічний інститут", 2016. http://repository.kpi.kharkov.ua/handle/KhPI-Press/45816.
Full textКрищишин, Василь Володимирович, and Vasyl Kryshchyshyn. "Розробка мобільного застосунку для діагностування серцевих захворювань." Bachelor's thesis, 2021. http://elartu.tntu.edu.ua/handle/lib/35789.
Full textQualification work is devoted to the development of a mobile application for diagnosing heart disease. The purpose of this qualification work of the educational level "Bachelor" is to increase the level of awareness of citizens and medical staff about the condition of their heart through the implementation of functional capabilities of automated recognition of heart disease. In the first section of the qualification work of the educational level "Bachelor" the analysis of the subject area is carried out. The task of developing a mobile application for diagnosing heart disease has been completed. The methods and tools and data set used in the process of developing a mobile application for diagnosing heart disease are described. In the second section of the qualification work of the educational level "Bachelor" the algorithm of work of the mobile application is developed. A description of the training and observation procedure with the development of appropriate diagrams is offered.
ВСТУП 7 1 ПРЕДМЕТНА ОБЛАСТЬ, МЕТОДИ, ІНСТРУМЕНТИ ТА НАБІР ДАНИХ 8 1.1 Аналіз предметної області 8 1.2 Постановка завдання 11 1.3 Методи та інструменти 14 1.4 Набір даних 17 1.5 Висновок до першого розділу 18 2 РОЗРОБКА ТА ТЕСТУВАННЯ МОБІЛЬНОГО ЗАСТОСУНКУ ДЛЯ ДІАГНОСТУВАННЯ СЕРЦЕВИХ ЗАХВОРЮВАНЬ 19 2.1 Алгоритм роботи мобільного застосунку 19 2.2 Опис процедури навчання та спостереження 22 2.3 Результати роботи мобільного застосунку для діагностування серцевих захворювань 29 2.4 Тестування юзабіліті мобільного застосунку для діагностування серцевих захворювань 31 2.5 Аналіз результатів проведеної розробки мобільного застосунку для діагностування серцевих захворювань 32 2.6 Висновок до другого розділу 33 3 БЕЗПЕКА ЖИТТЄДІЯЛЬНОСТІ, ОСНОВИ ХОРОНИ ПРАЦІ 34 3.1 Природне середовище і його забруднення 34 3.2 Вимоги пожежної безпеки при гасінні електроустановок 36 3.3 Висновок до третього розділу 37 ВИСНОВКИ 38 ПЕРЕЛІК ДЖЕРЕЛ 39
Дацик, Віталій Васильович, and Vitalii Vasyliovych Datsyk. "Розробка багатокритеріальної системи підтримки прийняття рішень для діагностування вірусних захворювань в умовах пандемії." Master's thesis, 2021. http://elartu.tntu.edu.ua/handle/lib/36849.
Full textВСТУП 9 1 ПАНДЕМІЯ, СИСТЕМИ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ ТА ЕПІДЕМІОЛОГІЧНЕ МОДЕЛЮВАННЯ ДАНИХ 11 1.1 ПАНДЕМІЯ ТА СИСТЕМИ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ 11 1.2 ОГЛЯД ТА АНАЛІЗ ЛІТЕРАТУРНИХ ДЖЕРЕЛ 13 1.3 ЕПІДЕМІОЛОГІЧНЕ МОДЕЛЮВАННЯ ДАНИХ 15 1.4 ВИСНОВОК ДО ПЕРШОГО РОЗДІЛУ 22 2 МЕТОД, КОМПОНЕНТИ, АЛГОРИТМ ТА СТРУКТУРА СИСТЕМИ ПРИЙНЯТТЯ РІШЕНЬ ЩОДО ДІАГНОСТУВАНЬ ВІРУСНИХ ЗАХВОРЮВАНЬ 23 2.1 ДАНІ ДЛЯ ПРИЙНЯТТЯ РІШЕНЬ 23 2.2 ПЕРВИННА ПІДГОТОВКА ДОСЛІДЖУВАНИХ ДАНИХ 24 2.3 МЕТОДИ АНАЛІТИЧНОГО ОПРАЦЮВАННЯ ДАНИХ В УМОВАХ ПАНДЕМІЇ 26 2.4 ЕТАПИ КЕРУВАННЯ ТА ОБРОБКИ ДАНИХ В БАГАТОКРИТЕРІАЛЬНІЙ СИСТЕМІ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ ДЛЯ ДІАГНОСТУВАННЯ ВІРУСНИХ ЗАХВОРЮВАНЬ 29 2.5 ПРИЙНЯТТЯ РІШЕНЬ В УМОВАХ ПАНДЕМІЇ 31 2.6 КОМПОНЕНТИ БАГАТОКРИТЕРІАЛЬНИХ РІШЕНЬ ЩОДО ДІАГНОСТУВАННЯ ВІРУСНИХ ЗАХВОРЮВАНЬ В УМОВАХ ПАНДЕМІЇ 32 2.7 АЛГОРИТМ КОМПЛЕКСНОГО ПІДХОДУ ДО БАГАТОКРИТЕРІАЛЬНОГО АНАЛІЗУ В УМОВАХ ПАНДЕМІЇ 33 2.8 СТРУКТУРА СИСТЕМИ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ ДЛЯ ДІАГНОСТУВАННЯ ВІРУСНИХ ЗАХВОРЮВАНЬ В УМОВАХ ПАНДЕМІЇ 35 2.9 НАЛАШТУВАННЯ ТА ІНІЦІАЛІЗАЦІЯ ПРОЦЕСУ НАВЧАННЯ СИСТЕМИ ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ 36 2.10 СИСТЕМА ПІДТРИМКИ ПРИЙНЯТТЯ РІШЕНЬ – ІДЕНТИФІКАЦІЙНИЙ ОГЛЯД ЛІКАРЕМ ГРОМАДЯН ЩО ПЕРЕВІРЯЮТЬСЯ НА COVID-19 37 2.11 ВИСНОВОК ДО ДРУГОГО РОЗДІЛУ 40 3 АНАЛІЗ РЕЗУЛЬТАТІВ ДОСЛІДЖЕННЯ ТА МОДЕЛЮВАННЯ 41 3.1 ОЦІНЮВАННЯ РЕЗУЛЬТАТІВ АНАЛІТИЧНОГО ОПРАЦЮВАННЯ 41 3.2 РІВЕНЬ ЗАХВОРЮВАННЯ COVID-19 ТА ДЕМОГРАФІЧНІ ПОКАЗНИКИ СТАЦІОНАРНИХ ГРОМАДЯН ЩО ПЕРЕВІРЯЮТЬСЯ НА COVID-19 49 3.3 АНАЛІЗ ОТРИМАНИХ РЕЗУЛЬТАТІВ 51 3.4 ВИСНОВОК ДО ТРЕТЬОГО РОЗДІЛУ 55 4 ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ 57 4.1 БЕЗПЕКА ПРАЦІ МЕДИЧНОГО ПЕРСОНАЛУ ПІД ЧАС ПАНДЕМІЇ 57 4.2 ФАКТОРИ ЩО ВПЛИВАЮТЬ НА ФУНКЦІОНАЛЬНИЙ СТАН КОРИСТУВАЧА КОМП'Ю ТЕРА 61 ВИСНОВКИ 66 ПЕРЕЛІК ДЖЕРЕЛ 68 ДОДАТКИ