Datasets:
alexanderpl
/
init1

Dataset card Data Studio Files
xet
 Community
1
id
int64
18
18.8k
created_at
timestamp[ns, tz=UTC]date
2026-02-23 07:30:20
2026-02-24 14:51:09
updated_at
timestamp[ns, tz=UTC]date
2026-02-23 08:08:14
2026-02-24 14:51:09
doc_name
stringclasses
1 value
input
stringlengths
11
9.24k
output
stringlengths
0
738
is_personal
bool
2 classes
is_sentence
bool
2 classes
is_corrected
bool
2 classes
3,457
2026-02-23T12:06:08.471000Z
2026-02-23T12:06:08.471000Z
Lec.
Разработка приложения, включающего в себя весь вышеперечисленный функционал
false
true
false
3,456
2026-02-23T12:06:06.691000Z
2026-02-23T13:37:12.040000Z
Lec.
Создание корректно работающей базы данных для хранения информации о пациентах
создание корректно работающей базы данных для хранения информации о пациентах
false
true
true
3,455
2026-02-23T12:06:04.844000Z
2026-02-23T18:17:01.880000Z
Lec.
Разработка функции перевода результата сегментации в реальные данные
Разработка функции перевода результата сегментации в реальные данные.
false
true
true
3,454
2026-02-23T12:06:02.865000Z
2026-02-23T12:06:02.865000Z
Lec.
Выполнение сравнительного анализа для каждого метода и выбор наилучшего из них
false
true
false
3,453
2026-02-23T12:06:01.086000Z
2026-02-23T17:42:16.209000Z
Lec.
Подбор правильных метрик для оценки качества сегментации
Подбор правильных метрик для оценки качества сегментации — сложная задача.
false
true
true
3,452
2026-02-23T12:05:59.558000Z
2026-02-23T17:12:33.929000Z
Lec.
Подбор оптимальных гиперпараметров для обучения
Подбор оптимальных гиперпараметров для обучения
false
true
true
3,451
2026-02-23T12:05:58.038000Z
2026-02-23T13:46:25.559000Z
Lec.
Обучение на подобранных из обзора моделей
Обучение на подобранных из обзора моделях
false
true
true
3,450
2026-02-23T12:05:56.456000Z
2026-02-23T12:05:56.456000Z
Lec.
Выполнение предобработки МРТ изображений при помощи указанных в обзоре литературы методов
false
true
false
3,449
2026-02-23T12:05:54.826000Z
2026-02-23T12:05:54.826000Z
Lec.
Поэтому, для достижения цели, опираясь на сделанный обзор литературы, были составлены следующие задачи:
false
true
false
3,448
2026-02-23T12:05:52.904000Z
2026-02-23T12:05:52.904000Z
Lec.
Целью данной работы является разработка полноценного сервиса для работы с МРТ сканированием позвоночных артерий
false
true
false
3,447
2026-02-23T12:05:51.237000Z
2026-02-23T13:50:32.997000Z
Lec.
На основании обзора литературы был сделан вывод, что существует множество эффективных методов решения задачи сегментации медицинских изображений
На основе обзора литературы сделан вывод о том, что существует множество эффективных методов решения задачи сегментации медицинских изображений.
false
true
true
3,446
2026-02-23T12:05:49.609000Z
2026-02-23T12:05:49.609000Z
Lec.
ПОСТАНОВКА ЗАДАЧИ
false
true
false
3,445
2026-02-23T12:05:48.060000Z
2026-02-23T12:05:48.060000Z
Lec.
После нахождении оптимальной комбинации для решения задачи сегментации, в будущем модель будет взята за основу при разработке полноценного приложения и базы данных
false
true
false
3,444
2026-02-23T12:05:46.436000Z
2026-02-23T12:05:46.436000Z
Lec.
Это означает, что для нахождения самых эффективных решений ко всем трем этапам необходимо будет провести крупный сравнительный анализ большого количества доступных методов, которые были описаны в обзоре литературы
false
true
false
3,443
2026-02-23T12:05:44.830000Z
2026-02-23T12:05:44.830000Z
Lec.
Однако прямых аналогов к задаче сегментации позвоночных артерий найдено не было
false
true
false
3,442
2026-02-23T12:05:43.276000Z
2026-02-23T12:05:43.276000Z
Lec.
Из обзора литературы можно понять, что существуют большое множество подходов ко всем трем этапам задачи сегментации: предобработка, выбор архитектуры нейросетевой модели и оценка результатов
false
true
false
3,441
2026-02-23T12:05:41.534000Z
2026-02-23T12:05:41.534000Z
Lec.
Хотя статья ориентирована на задачи сегментации белого вещества, многие из рассмотренных методов могут быть адаптированы для задач сегментации сосудов
false
true
false
3,440
2026-02-23T12:05:39.890000Z
2026-02-23T12:05:39.890000Z
Lec.
Затем был проведен обширный анализ результатов с помощью коэффициента Дайса [27]
false
true
false
3,439
2026-02-23T12:05:38.216000Z
2026-02-23T12:05:38.216000Z
Lec.
В работе [37] предложен метод сегментации белого вещества головного мозга с использованием метода случайного блуждения [38]
false
false
false
3,438
2026-02-23T12:05:36.158000Z
2026-02-23T17:09:11.206000Z
Lec.
Данный подход может быть адаптирован для задач сегментации позвоночных артерий, где важно учитывать форму и размер сосудов
Данный подход может быть адаптирован для задач сегментирования позвоночных артерий, где важно учитывать форму и размер сосудов.
false
true
true
3,437
2026-02-23T12:05:34.352000Z
2026-02-23T12:05:34.352000Z
Lec.
Этот метод помог более точно выделить тонкие структуры сосудов на фоне окружающих тканей
false
true
false
3,436
2026-02-23T12:05:32.620000Z
2026-02-23T13:49:22.206000Z
Lec.
Авторы использовали комбинацию традиционных методов и глубокого обучения для улучшения точности сегментации
Авторы использовали комбинацию традиционных методов и глубокого обучения для улучшения точности сегментации изображений
false
true
true
3,435
2026-02-23T12:05:30.868000Z
2026-02-23T12:05:30.868000Z
Lec.
В работе [36] предложен метод полуавтоматической сегментации изображений для создания трехмерных моделей сосудов головного мозга
false
true
false
3,434
2026-02-23T12:05:29.115000Z
2026-02-23T13:26:05.081000Z
Lec.
Region Growing в сравнении с классическими методами
Region Growing в сравнении с классическими методами.
false
true
true
3,433
2026-02-23T12:05:27.572000Z
2026-02-23T12:05:27.572000Z
Lec.
Region Growing. 6. 3. 1. 0,40. 87,98
false
false
false
3,432
2026-02-23T12:05:26.050000Z
2026-02-23T12:05:26.050000Z
Lec.
K-mean. 4. 3. 3. 0,28. 28,85
false
false
false
3,431
2026-02-23T12:05:24.322000Z
2026-02-23T12:05:24.322000Z
Lec.
Морфологический метод. 2. 5. 3. 0,16. 16,8
false
false
false
3,430
2026-02-23T12:05:22.555000Z
2026-02-23T12:05:22.555000Z
Lec.
False Negative
false
false
false
3,429
2026-02-23T12:05:21.002000Z
2026-02-23T12:05:21.002000Z
Lec.
False Positive
false
false
false
3,428
2026-02-23T12:05:19.362000Z
2026-02-23T12:05:19.362000Z
Lec.
True Positive
false
false
false
3,427
2026-02-23T12:05:17.669000Z
2026-02-23T12:05:17.669000Z
Lec.
Результат исследования показал, что наращивание региона справляется с задачей сегментации намного лучше, чем более традиционные методы (см
false
true
false
3,426
2026-02-23T12:05:15.809000Z
2026-02-23T13:35:33.339000Z
Lec.
Затем данный метод был сравнен с морфологическими методами и методом кластеризации (k-mean)
Затем данный метод был сравнён с морфологическими методами и методом кластеризации (k-mean)
false
true
true
3,425
2026-02-23T12:05:14.012000Z
2026-02-23T16:42:52.088000Z
Lec.
Его суть заключается в вычислении координат соседнего пикселя и проверке в принадлежности пикселя к рассматриваемому сегментированному объекту
Его суть заключается в вычислении координат соседнего пикселя и проверке принадлежности пикселя к рассматриваемому сегментированному объекту
false
true
true
3,424
2026-02-23T12:05:12.322000Z
2026-02-23T12:05:12.322000Z
Lec.
В работе [35] обсуждается использование метода наращивание региона (Region Growing)
false
true
false
3,423
2026-02-23T12:05:10.677000Z
2026-02-23T12:05:10.677000Z
Lec.
Метод уровня множеств позволяет адаптировать контур к форме объекта, что делает его особенно полезным для задач сегментации сложных структур
false
true
false
3,422
2026-02-23T12:05:09.132000Z
2026-02-23T17:03:16.652000Z
Lec.
Этот метод позволяет эффективно выделять объекты на изображениях, особенно в случаях, когда границы объектов нечеткие
Этот метод позволяет эффективно выделять объекты на изображениях, особенно в случаях, когда границы объектов нечеткие.
false
true
true
3,421
2026-02-23T12:05:07.568000Z
2026-02-23T12:05:07.568000Z
Lec.
Для этого решается уравнение Эйлера-Лагранжа [34], минимизирующее энергию контура:. ,. где F(ϕ) – функционал, зависящий от изображения и геометрии сегментируемого объекта
false
true
false
3,420
2026-02-23T12:05:05.933000Z
2026-02-23T12:05:05.933000Z
Lec.
Предлагаемое решение состоит в использовании методов, основанных на уравнении уровня набора, которые позволяют точно сегментировать сложные объекты с учетом их формы
false
true
false
3,419
2026-02-23T12:05:04.050000Z
2026-02-23T13:24:26.308000Z
Lec.
Так, в работе [33] предложен метод уровня множеств для сегментации изображений
Так, в работе [33] предложен метод уровня множеств для сегментации изображений.
false
true
true
3,418
2026-02-23T12:05:02.175000Z
2026-02-23T17:38:43.930000Z
Lec.
Например, методы на основе уровня множеств (Level Set Methods)
Методы на основе уровня множеств (Level-Set Methods)
false
true
true
3,417
2026-02-23T12:05:00.741000Z
2026-02-23T18:06:40.830000Z
Lec.
Комбинированные подходы, сочетающие традиционные методы и глубокое обучение, могут быть особенно полезны для улучшения качества сегментации в сложных случаях
Комбинированные подходы, сочетающие традиционные методы и глубокое обучение, могут быть особенно полезны для улучшения качества сегментирования в сложных случаях
false
true
true
3,416
2026-02-23T12:04:59.185000Z
2026-02-23T16:21:55.193000Z
Lec.
Современные подходы
Современный подход
false
true
true
3,415
2026-02-23T12:04:57.496000Z
2026-02-23T12:04:57.496000Z
Lec.
Сравнение моделей для задачи сегментации яичников
false
true
false
3,414
2026-02-23T12:04:55.612000Z
2026-02-23T12:04:55.612000Z
Lec.
HaTU-Net. 97.55 ± 0.01. 90.01 ± 0.07. 80.72 ± 0.11
false
false
false
3,413
2026-02-23T12:04:53.504000Z
2026-02-23T12:04:53.504000Z
Lec.
DeepLabv3+ [32]. 96.99 ± 0.02. 86.66 ± 0.11. 76.21 ± 0.14
false
false
false
3,412
2026-02-23T12:04:51.706000Z
2026-02-23T12:04:51.706000Z
Lec.
U-Net++ [31]. 97.14 ± 0.02. 87.88 ± 0.10. 77.72 ± 0.13
false
false
false
3,411
2026-02-23T12:04:49.862000Z
2026-02-23T12:04:49.862000Z
Lec.
R2U-Net [30]. 95.73 ± 0.03. 83.31 ± 0.12. 71.49 ± 0.15
false
false
false
3,410
2026-02-23T12:04:48.018000Z
2026-02-23T12:04:48.018000Z
Lec.
Attention U-Net [29]. 96.41 ± 0.02. 86.02 ± 0.09. 74.89 ± 0.13
false
false
false
3,409
2026-02-23T12:04:46.174000Z
2026-02-23T12:04:46.174000Z
Lec.
U-Net [7]. 96.89 ± 0.02. 87.89 ± 0.08. 77.54 ± 0.12
false
false
false
3,408
2026-02-23T12:04:44.337000Z
2026-02-23T12:04:44.337000Z
Lec.
Accuracy [26]
false
false
false
3,407
2026-02-23T12:04:42.765000Z
2026-02-23T12:04:42.765000Z
Lec.
Предложенная архитектура смогла показать результат лучше в сравнении с другими моделями в задаче сегментации яичников (см
false
true
false
3,406
2026-02-23T12:04:41.012000Z
2026-02-23T12:04:41.012000Z
Lec.
T - входные признаки
false
false
false
3,405
2026-02-23T12:04:39.450000Z
2026-02-23T12:04:39.450000Z
Lec.
ReLU - функция нелинейности [25],
false
true
false
3,404
2026-02-23T12:04:37.566000Z
2026-02-23T13:49:42.376000Z
Lec.
Данный блок описывается следующей формулой:. ,. где - сигмоидная функция активации [23],. - веса двух гармонических сверточных слоев [24],
Данный блок описывается следующей формулой:. ,. где - сигмоидная функция активации [23],. - веса двух гармонических сверточных слоев [24].
false
true
true
3,403
2026-02-23T12:04:35.446000Z
2026-02-23T12:04:35.446000Z
Lec.
Суть данной архитектуры заключается в добавлении в классическую U-Net гармонического блока внимания
false
true
false
3,402
2026-02-23T12:04:33.775000Z
2026-02-23T12:04:33.775000Z
Lec.
В частности, одной из предложенных выше архитектур является HaTU-Net [21]
false
true
false
3,401
2026-02-23T12:04:31.906000Z
2026-02-23T15:50:40.559000Z
Lec.
Это помогло модели сосредоточиться на важных для обучения областях изображения, такие как границы опухоли и фолликулов, что в конечном итоге улучшило результат в сравнении с классической архитектурой U-Net
Это помогло модели сосредоточиться на важных для обучения областях изображений, таких как границы опухоли и фолликулов, что в конечном итоге улучшило результат по сравнению с классической архитектурой U-Net.
false
true
true
3,400
2026-02-23T12:04:30.152000Z
2026-02-23T12:04:30.152000Z
Lec.
Таким образом, авторы работ [20], [13] и [21] предложили добавить дополнительные блоки внимания (attention) [22] в декодирующую часть сети
false
true
false
3,399
2026-02-23T12:04:28.387000Z
2026-02-23T12:04:28.387000Z
Lec.
Также существует несколько работ, раскрывающие способы модификации стандартной архитектуры U-Net
false
true
false
3,398
2026-02-23T12:04:26.760000Z
2026-02-23T12:04:26.760000Z
Lec.
Например, использование множества атласов позволяет более точно выделять тонкие структуры сосудов на фоне окружающих тканей
false
true
false
3,397
2026-02-23T12:04:25.023000Z
2026-02-23T12:04:25.023000Z
Lec.
Этот подход может быть полезен для задач сегментации позвоночных артерий, где важно учитывать анатомические особенности
false
true
false
3,396
2026-02-23T12:04:23.390000Z
2026-02-23T12:04:23.390000Z
Lec.
Авторы показали, что использование атласов позволяет улучшить точность сегментации, особенно в случаях, когда изображения имеют сложную структуру
false
true
false
3,395
2026-02-23T12:04:21.634000Z
2026-02-23T12:04:21.634000Z
Lec.
В работе [19] предложен метод маркировки МРТ-изображений головного мозга с использованием множества атласов
false
true
false
3,394
2026-02-23T12:04:19.833000Z
2026-02-23T12:04:19.833000Z
Lec.
Методы на основе атласов также используются для задач сегментации медицинских изображений
false
true
false
3,393
2026-02-23T12:04:18.223000Z
2026-02-23T12:04:18.223000Z
Lec.
Преобразование в полярные координаты позволяет более точно выделять извилистые структуры сосудов, что делает этот метод особенно полезным для задач сегментации сложных структур
false
true
false
3,392
2026-02-23T12:04:16.619000Z
2026-02-23T12:04:16.619000Z
Lec.
Этот подход может быть полезен для задач сегментации позвоночных артерий, где важно учитывать форму и расположение сосудов
false
true
false
3,391
2026-02-23T12:04:14.870000Z
2026-02-23T12:04:14.870000Z
Lec.
Авторы показали, что преобразование изображений в полярные координаты позволяет упростить задачу сегментации
false
true
false
3,390
2026-02-23T12:04:13.134000Z
2026-02-23T12:04:13.134000Z
Lec.
В работе [18] предложен метод локализации артерий и сегментации стенок сосудов на МРТ-изображениях с использованием полярных координат
false
true
false
3,389
2026-02-23T12:04:11.379000Z
2026-02-23T18:17:29.709000Z
Lec.
Например, использование априорных знаний позволяет сети более точно выделять тонкие структуры сосудов на фоне окружающих тканей
Например, использование априорного знания позволяет сети более точно выделять тонкие структуры сосудов на фоне окружающих тканей.
false
true
true
3,388
2026-02-23T12:04:09.640000Z
2026-02-23T12:04:09.640000Z
Lec.
Этот подход может быть адаптирован для задач сегментации позвоночных артерий, где априорные знания о форме и расположении сосудов могут быть полезны
false
true
false
3,387
2026-02-23T12:04:07.996000Z
2026-02-23T13:38:34.729000Z
Lec.
Авторы использовали глубокие нейронные сети для выделения стенок сосудов, что позволило улучшить точность сегментации, особенно в случаях, когда изображения имеют низкое качество
Авторы использовали глубокие нейронные сети для выделения стенок сосудов, что позволило улучшить точность сегментации, особенно в случаях, когда изображения имеют низкое качество.
false
true
true
3,386
2026-02-23T12:04:06.237000Z
2026-02-23T12:04:06.237000Z
Lec.
В работе [13] предложен метод сегментации стенок сонных артерий на МРТ-изображениях с использованием априорных знаний о анатомии
false
true
false
3,385
2026-02-23T12:04:04.390000Z
2026-02-23T12:04:04.390000Z
Lec.
Архитектура нейросетевой модели U-Net
false
false
false
3,384
2026-02-23T12:04:02.909000Z
2026-02-23T13:31:57.882000Z
Lec.
В отличие от традиционных методов, глубокое обучение позволяет учитывать сложные зависимости между пикселями, что делает его особенно полезным для задач сегментации сложных структур, таких как сосуды
В отличие от традиционных методов, глубокое обучение позволяет учитывать сложные зависимости между пикселями, что делает его особенно полезным для задач сегментации сложных структур, таких как сосуды.
false
true
true
3,383
2026-02-23T12:04:01.335000Z
2026-02-23T13:33:58.452000Z
Lec.
Эти методы позволяют автоматически извлекать признаки из изображений и использовать их для классификации или сегментации
Эти методы позволяют автоматически извлекать признаки из изображений и использовать их для классификации или сегментации.
false
true
true
3,382
2026-02-23T12:03:59.564000Z
2026-02-23T12:03:59.564000Z
Lec.
С развитием глубокого обучения методы, основанные на сверточных нейронных сетях (CNN) [17], стали стандартом для задач сегментации медицинских изображений, в частности архитектура U-Net [7] (см
false
true
false
3,381
2026-02-23T12:03:57.793000Z
2026-02-23T13:31:26.683000Z
Lec.
Подходы с использованием глубокого обучения
Подходы с использованием глубокого обучения
false
true
true
3,380
2026-02-23T12:03:56.174000Z
2026-02-23T12:03:56.174000Z
Lec.
Этот метод может быть адаптирован для задач сегментации позвоночных артерий, где важно выделить области с однородной текстурой сосудов
false
true
false
3,379
2026-02-23T12:03:54.521000Z
2026-02-23T18:08:27.192000Z
Lec.
Авторы показали, что K-means может быть полезен для предварительной обработки данных перед сегментацией, особенно в случаях, когда изображения содержат области с однородной текстурой
Авторы показали, что K-means может быть полезен для предварительной обработки данных перед сегментацией, особенно в случаях, когда изображения содержат области с однородной текстурой.
false
true
true
3,378
2026-02-23T12:03:52.748000Z
2026-02-23T16:24:00.680000Z
Lec.
В работе [16] исследован алгоритм K-means для кластеризации изображений
В работе [16] исследован алгоритм K-means для кластеризации изображений.
false
true
true
3,377
2026-02-23T12:03:50.799000Z
2026-02-23T12:03:50.799000Z
Lec.
Хотя K-means чаще используется для задач классификации, он может быть полезен для выделения областей с однородной текстурой
false
true
false
3,376
2026-02-23T12:03:49.288000Z
2026-02-23T13:48:51.756000Z
Lec.
Методы на основе кластеризации, такие как K-means, также могут быть адаптированы для задач сегментации изображений
Методы на основе кластеризации, такие как K-means, также могут быть адаптированы для задач сегментации изображений.
false
true
true
3,375
2026-02-23T12:03:47.536000Z
2026-02-23T12:03:47.536000Z
Lec.
Результат работы метода активного контура
false
true
false
3,374
2026-02-23T12:03:46.015000Z
2026-02-23T12:03:46.015000Z
Lec.
Метод активных контуров позволяет адаптировать контур к форме объекта, что делает его особенно полезным для задач сегментации сложных структур, таких как сосуды (см
false
true
false
3,373
2026-02-23T12:03:44.457000Z
2026-02-23T13:29:50.239000Z
Lec.
В этой статье обсуждается применение этого метода для задач сегментации медицинских изображений
В этой статье обсуждается применение этого метода для задач сегментации медицинских изображений.
false
true
true
3,372
2026-02-23T12:03:42.787000Z
2026-02-23T12:03:42.787000Z
Lec.
Метод активных контуров может быть полезен для выделения позвоночных артерий, особенно в случаях, когда границы сосудов нечеткие
false
true
false
3,371
2026-02-23T12:03:41.161000Z
2026-02-23T12:03:41.161000Z
Lec.
Этот метод основан на минимизации энергии, которая зависит от формы контура и градиента изображения:. ,. где - внутренняя энергия контура,. - внешняя энергия контура
false
true
false
3,370
2026-02-23T12:03:39.537000Z
2026-02-23T16:31:57.793000Z
Lec.
Активный контур обозначается параметрической кривой на плоскости изображения, определенную следующей формулой:. ,. где s - параметр кривой,. x, y - координаты на плоскости изображения
Активный контур обозначается параметрической кривой на плоскости изображения, определенной следующей формулой:. ,. где s - параметр кривой,. x и y - координаты на плоскости изображения.
false
true
true
3,369
2026-02-23T12:03:37.860000Z
2026-02-23T12:03:37.860000Z
Lec.
Метод активных контуров (Active Contours) [15] также широко используется для выделения границ объектов на изображениях
false
true
false
3,368
2026-02-23T12:03:36.140000Z
2026-02-23T12:03:36.140000Z
Lec.
Обработка изображений на основе модели зрения с помощью фильтра Габора
false
true
false
3,367
2026-02-23T12:03:34.502000Z
2026-02-23T18:13:25.999000Z
Lec.
Для усиления различия между объектами и фоном используется метод нормализации контраста (см
Для усиления различия между объектами и фоном используется метод нормализации контраста (см.
false
true
true
3,366
2026-02-23T12:03:32.831000Z
2026-02-23T16:06:31.984000Z
Lec.
Для выделения границ также применяются методы, основанные на анализе градиентов изображения
Для выделения границ также применяются методы, основанные на анализе градиента изображения.
false
true
true
3,365
2026-02-23T12:03:31.278000Z
2026-02-23T12:03:31.278000Z
Lec.
Это позволяет выделять области с однородной текстурой
false
true
false
3,364
2026-02-23T12:03:29.659000Z
2026-02-23T12:03:29.659000Z
Lec.
Для выделения текстур авторы используют методы, основанные на анализе локальных статистик изображения, таких как дисперсия интенсивности или градиенты
false
true
false
3,363
2026-02-23T12:03:27.900000Z
2026-02-23T12:03:27.900000Z
Lec.
Для этого применяются фильтры (включая фильтр Габора), которые выделяют локальные особенности изображения, такие как градиенты и текстуры
false
true
false
3,362
2026-02-23T12:03:26.009000Z
2026-02-23T12:03:26.009000Z
Lec.
Эти нейроны реагируют на определенные паттерны, такие как линии, углы и текстуры
false
true
false
3,361
2026-02-23T12:03:24.220000Z
2026-02-23T12:03:24.220000Z
Lec.
Авторы используют модели, которые имитируют работу нейронов в зрительной коре головного мозга
false
true
false
3,360
2026-02-23T12:03:22.580000Z
2026-02-23T12:03:22.580000Z
Lec.
В работе [14] предложен набор инструментов для обработки изображений, основанный на моделировании работы зрительной системы человека
false
true
false
3,359
2026-02-23T12:03:20.607000Z
2026-02-23T12:03:20.607000Z
Lec.
Методы, вдохновленные человеческим восприятием, также находят применение в задачах обработки изображений
false
true
false
3,358
2026-02-23T12:03:18.876000Z
2026-02-23T17:18:53.959000Z
Lec.
Этот подход позволяет улучшить точность обработки тонких сосудистых сетей в сравнении с обычным применением классических сегментирующих нейросетевых моделей за счет анализа частотно-пространственных характеристик изображения
Этот подход позволяет улучшить точность обработки тонкой сосудистой сети в сравнении с обычным применением классических сегментирующих нейросетевых моделей за счет анализа частно-пространственных характеристик изображения
false
true
true