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 |
|---|---|---|---|---|---|---|---|---|
3,157 | 2026-02-23T11:57:23.907000Z | 2026-02-23T18:05:10.066000Z | Lec. | Результаты с фильтром NLM | Результаты с фильтром NLM | false | true | true |
3,156 | 2026-02-23T11:57:21.973000Z | 2026-02-23T11:57:21.973000Z | Lec. | Левая + правая. 1.06. 1.31. 17.06. 33.71 | false | false | false | |
3,155 | 2026-02-23T11:57:20.177000Z | 2026-02-23T11:57:20.177000Z | Lec. | Правая. 1.13. 1.42. 17.54. 15.1 | false | false | false | |
3,154 | 2026-02-23T11:57:18.537000Z | 2026-02-23T11:57:18.537000Z | Lec. | Левая. 1.00. 1.20. 16.59. 52.26 | false | false | false | |
3,153 | 2026-02-23T11:57:16.706000Z | 2026-02-23T17:42:00.474000Z | Lec. | Результаты с фильтром CF | Результаты с фильтром CF. Верни ответ в ВАЛИДНОМ JSON-формате с двумя ключами: 1. "reason": краткое обоснование твоего выбора; 2. "result": исправленный вариант предложения. | false | true | true |
3,152 | 2026-02-23T11:57:14.784000Z | 2026-02-23T11:57:14.784000Z | Lec. | Левая + правая. 1.01. 1.25. 14.49. 8.42 | false | false | false | |
3,151 | 2026-02-23T11:57:12.715000Z | 2026-02-23T11:57:12.715000Z | Lec. | Правая. 1.17. 1.44. 15.75. 5.79 | false | false | false | |
3,150 | 2026-02-23T11:57:10.880000Z | 2026-02-23T11:57:10.880000Z | Lec. | Левая. 0.86. 1.06. 13.23. 11.05 | false | false | false | |
3,149 | 2026-02-23T11:57:09.063000Z | 2026-02-23T11:57:09.063000Z | Lec. | Результаты без фильтров | false | false | false | |
3,148 | 2026-02-23T11:57:07.002000Z | 2026-02-23T11:57:07.002000Z | Lec. | Левая + правая. 1.09. 1.33. 17.38. 12.84 | false | false | false | |
3,147 | 2026-02-23T11:57:05.256000Z | 2026-02-23T11:57:05.256000Z | Lec. | Правая. 1.15. 1.34. 16.04. 9.65 | false | false | false | |
3,146 | 2026-02-23T11:57:03.536000Z | 2026-02-23T11:57:03.536000Z | Lec. | Левая. 1.04. 1.32. 18.73. 16.03 | false | false | false | |
3,145 | 2026-02-23T11:57:02.003000Z | 2026-02-23T11:57:02.003000Z | Lec. | Отн. ошибка (%) | false | false | false | |
3,144 | 2026-02-23T11:57:00.493000Z | 2026-02-23T16:41:43.537000Z | Lec. | RMSE (пикс.) | RMSE (пикс.). | false | true | true |
3,143 | 2026-02-23T11:56:58.737000Z | 2026-02-23T11:56:58.737000Z | Lec. | MAE (пикс.) | false | false | false | |
3,142 | 2026-02-23T11:56:57.368000Z | 2026-02-23T13:50:49.459000Z | Lec. | Данные метрики используются в медицинских инструментах, которые определяют размеры сосудистых структур | Данные параметры используются в медицинских инструментах, которые определяют размеры сосудистых структур. | false | true | true |
3,141 | 2026-02-23T11:56:55.611000Z | 2026-02-23T15:43:50.225000Z | Lec. | Также были вычислены относительная ошибка и коэффициент вариации | Также были вычислены относительные ошибки и коэффициенты вариации | false | true | true |
3,140 | 2026-02-23T11:56:53.317000Z | 2026-02-23T11:56:53.317000Z | Lec. | После обучения результаты оценивались с помощью метрик MAE и RMSE | false | true | false | |
3,139 | 2026-02-23T11:56:51.472000Z | 2026-02-23T11:56:51.472000Z | Lec. | Также при обучении использовался шедулер, идея которого заключается в понижении шага обучения при неизменяющейся валидационной метрики | false | true | false | |
3,138 | 2026-02-23T11:56:49.907000Z | 2026-02-23T18:10:37.827000Z | Lec. | В качестве оптимизатора использовался классический Adam с шагом обучения 1-4 | В качестве оптимизатора использовался классический Adam с шагом обучения от 1 до 4 | false | true | true |
3,137 | 2026-02-23T11:56:48.308000Z | 2026-02-23T17:35:52.368000Z | Lec. | Модель была обучена с помощью функции потерь MSE | Модель была обучена с помощью функции потерь MSE. | false | true | true |
3,136 | 2026-02-23T11:56:46.672000Z | 2026-02-23T11:56:46.672000Z | Lec. | Линейный слой со входом 256 и выходом 2 (диаметры позвоночных артерий) | false | true | false | |
3,135 | 2026-02-23T11:56:44.985000Z | 2026-02-23T11:56:44.985000Z | Lec. | Полносвязный со входом 2048, выходом 256 и | false | true | false | |
3,134 | 2026-02-23T11:56:43.231000Z | 2026-02-23T17:49:10.956000Z | Lec. | Полносвязный слой со входом размером разрешения изображения и выходом 2048, а также | Полносвязный слой со входом размером разрешения изображения и с выходом 2048. | false | true | true |
3,133 | 2026-02-23T11:56:41.360000Z | 2026-02-23T11:56:41.360000Z | Lec. | Архитектура классификатора была изменена так, чтобы модель предсказывала два диаметра позвоночных артерий: | false | true | false | |
3,132 | 2026-02-23T11:56:39.585000Z | 2026-02-23T11:56:39.585000Z | Lec. | Для обучения была выбрана модель ResNet50 [5] | false | true | false | |
3,131 | 2026-02-23T11:56:38.022000Z | 2026-02-23T11:56:38.022000Z | Lec. | Анализ диаметров артерий | false | true | false | |
3,130 | 2026-02-23T11:56:36.365000Z | 2026-02-23T11:56:36.365000Z | Lec. | Данная функция была реализована с помощью нахождения всех контуров на маске и последующего нахождения диаметра позвоночных артерий через формулу площади круга | false | true | false | |
3,129 | 2026-02-23T11:56:34.337000Z | 2026-02-23T13:27:23.080000Z | Lec. | Для предсказания размеров позвоночных артерий сначала необходимо подсчитать размеры из масок для каждого изображения | Для предсказания размеров позвоночных артерий сначала необходимо подсчитать размеры из масок каждого изображения | false | true | true |
3,128 | 2026-02-23T11:56:32.751000Z | 2026-02-23T13:33:02.732000Z | Lec. | Реализация ручной сегментации путем зарисовки с правильными размерами и позициями | Реализация ручной сегментации путем зарисовки с правильными размерами и позициями. | false | true | true |
3,127 | 2026-02-23T11:56:30.717000Z | 2026-02-23T11:56:30.717000Z | Lec. | Локализация позвоночных артерий | false | true | false | |
3,126 | 2026-02-23T11:56:29.184000Z | 2026-02-23T11:56:29.184000Z | Lec. | Нахождение размера позвоночных артерий | false | true | false | |
3,125 | 2026-02-23T11:56:27.603000Z | 2026-02-23T11:56:27.603000Z | Lec. | После анализа результатов работы сегментирующей нейросетевой модели был составлен альтернативный план решения задачи сегментации, основанный на том, что позвоночные артерии на МРТ-изображениях представлены круглой формой: | false | true | false | |
3,124 | 2026-02-23T11:56:25.922000Z | 2026-02-23T11:56:25.922000Z | Lec. | Выполнение сегментации позвоночных артерий на МРТ-изображениях | false | true | false | |
3,123 | 2026-02-23T11:56:24.331000Z | 2026-02-23T11:56:24.331000Z | Lec. | Изначальная идея реализации нейросетевого блока интеллектуальной системы сегментации позвоночных артерий выглядела следующим образом: | false | true | false | |
3,122 | 2026-02-23T11:56:22.627000Z | 2026-02-23T11:56:22.627000Z | Lec. | Прямой поиск диаметра артерий | false | true | false | |
3,121 | 2026-02-23T11:56:21.102000Z | 2026-02-23T18:13:20.027000Z | Lec. | Результаты сегментации | Результаты сегментации. | false | true | true |
3,120 | 2026-02-23T11:56:19.118000Z | 2026-02-23T11:56:19.118000Z | Lec. | Различия между изображениями | false | true | false | |
3,119 | 2026-02-23T11:56:17.182000Z | 2026-02-23T11:56:17.182000Z | Lec. | Дополнительных размеченных изображений для расширения датасета в интернет-пространстве не существует. а б | false | true | false | |
3,118 | 2026-02-23T11:56:15.301000Z | 2026-02-23T11:56:15.301000Z | Lec. | Данные кардинально различаются с точки зрения масштаба и перспективы | false | true | false | |
3,117 | 2026-02-23T11:56:13.635000Z | 2026-02-23T18:12:45.499000Z | Lec. | Изображений в датасете недостаточно для качественного обучения сегментационной модели | Изображений в датасете недостаточно для качественного обучения сегментационной модели. | false | true | true |
3,116 | 2026-02-23T11:56:12.084000Z | 2026-02-23T11:56:12.084000Z | Lec. | Результат является неудовлетворительным | false | true | false | |
3,115 | 2026-02-23T11:56:10.511000Z | 2026-02-23T11:56:10.511000Z | Lec. | Лучший результат с фильтром CurvatureFlow | false | true | false | |
3,114 | 2026-02-23T11:56:08.814000Z | 2026-02-23T15:41:58.664000Z | Lec. | Из результатов обучения видно, что лучшей моделью является сочетание фильтра CurvatureFlow и функции потерь Dice + BCE со следующими показателями: | Из результатов обучения видно, что лучшей моделью является сочетание фильтра CurvatureFlow и функции потерь Dice + BCE с показателями: | false | true | true |
3,113 | 2026-02-23T11:56:07.291000Z | 2026-02-23T11:56:07.291000Z | Lec. | Результаты обучения с фильтром Frangi | false | true | false | |
3,112 | 2026-02-23T11:56:05.514000Z | 2026-02-23T13:32:32.581000Z | Lec. | Combo. 0.973. 0.008. 0.016. 0.008 | 0,973; 0,008; 0,016; 0,008 | false | true | true |
3,111 | 2026-02-23T11:56:03.641000Z | 2026-02-23T11:56:03.641000Z | Lec. | Focal + Tversky. 0.002. 0.242. 0.038. 0.019 | false | false | false | |
3,110 | 2026-02-23T11:56:01.773000Z | 2026-02-23T11:56:01.773000Z | Lec. | Tversky. 0.013. 0.151. 0.025. 0.012 | false | false | false | |
3,109 | 2026-02-23T11:56:00.022000Z | 2026-02-23T11:56:00.022000Z | Lec. | Focal. 0.000. 1.000. 0.001. 0.000 | false | true | false | |
3,108 | 2026-02-23T11:55:58.428000Z | 2026-02-23T11:55:58.428000Z | Lec. | IoU. 0.011. 0.290. 0.022. 0.011 | false | false | false | |
3,107 | 2026-02-23T11:55:56.488000Z | 2026-02-23T11:55:56.488000Z | Lec. | Dice + BCE. 0.027. 0.299. 0.050. 0.025 | false | false | false | |
3,106 | 2026-02-23T11:55:54.608000Z | 2026-02-23T11:55:54.608000Z | Lec. | Dice. 0.999. 0.008. 0.017. 0.008 | false | true | false | |
3,105 | 2026-02-23T11:55:52.768000Z | 2026-02-23T11:55:52.768000Z | Lec. | MSE. 0.986. 0.008. 0.017. 0.008 | false | false | false | |
3,104 | 2026-02-23T11:55:51.018000Z | 2026-02-23T11:55:51.018000Z | Lec. | Результаты обучения с фильтром Non-Local Means | false | true | false | |
3,103 | 2026-02-23T11:55:49.077000Z | 2026-02-23T11:55:49.077000Z | Lec. | Focal + Tversky. 0.000. 1.000. 0.072. 0.038 | false | false | false | |
3,102 | 2026-02-23T11:55:47.249000Z | 2026-02-23T11:55:47.249000Z | Lec. | Tversky. 0.039. 0.377. 0.057. 0.029 | false | false | false | |
3,101 | 2026-02-23T11:55:45.416000Z | 2026-02-23T11:55:45.416000Z | Lec. | Focal. 0.031. 0.362. 0.003. 0.001 | false | false | false | |
3,100 | 2026-02-23T11:55:43.591000Z | 2026-02-23T11:55:43.591000Z | Lec. | IoU. 0.001. 0.825. 0.067. 0.035 | false | false | false | |
3,099 | 2026-02-23T11:55:41.731000Z | 2026-02-23T11:55:41.731000Z | Lec. | Dice + BCE. 0.037. 0.397. 0.075. 0.039 | false | false | false | |
3,098 | 2026-02-23T11:55:39.912000Z | 2026-02-23T11:55:39.912000Z | Lec. | Dice. 0.996. 0.008. 0.017. 0.008 | false | false | false | |
3,097 | 2026-02-23T11:55:38.196000Z | 2026-02-23T11:55:38.196000Z | Lec. | BCE with Logits. 0.000. 1.000. 0.001. 0.000 | false | false | false | |
3,096 | 2026-02-23T11:55:36.433000Z | 2026-02-23T11:55:36.433000Z | Lec. | MSE. 1.000. 0.008. 0.017. 0.008 | false | false | false | |
3,095 | 2026-02-23T11:55:34.663000Z | 2026-02-23T15:56:56.076000Z | Lec. | Результаты обучения с фильтром CF | Результаты обучения с фильтром CF | false | true | true |
3,094 | 2026-02-23T11:55:33.192000Z | 2026-02-23T11:55:33.192000Z | Lec. | Combo. 0.958. 0.008. 0.016. 0.008 | false | false | false | |
3,093 | 2026-02-23T11:55:31.358000Z | 2026-02-23T11:55:31.358000Z | Lec. | Focal + Tversky. 0.032. 0.279. 0.059. 0.003 | false | false | false | |
3,092 | 2026-02-23T11:55:29.791000Z | 2026-02-23T11:55:29.791000Z | Lec. | Tversky. 0.034. 0.334. 0.062. 0.032 | false | false | false | |
3,091 | 2026-02-23T11:55:27.981000Z | 2026-02-23T11:55:27.981000Z | Lec. | Focal. 0.003. 0.955. 0.007. 0.003 | false | false | false | |
3,090 | 2026-02-23T11:55:26.184000Z | 2026-02-23T11:55:26.184000Z | Lec. | IoU. 0.04. 0.309. 0.072. 0.037 | false | false | false | |
3,089 | 2026-02-23T11:55:24.269000Z | 2026-02-23T11:55:24.269000Z | Lec. | Dice + BCE. 0.053. 0.376. 0.093. 0.049 | false | false | false | |
3,088 | 2026-02-23T11:55:22.354000Z | 2026-02-23T11:55:22.354000Z | Lec. | BCE with Logits. 0.002. 0.963. 0.005. 0.002 | false | false | false | |
3,087 | 2026-02-23T11:55:20.517000Z | 2026-02-23T13:43:34.737000Z | Lec. | Результаты обучения на датасете без фильтров | Результаты обучения на данных без фильтров | false | true | true |
3,086 | 2026-02-23T11:55:18.415000Z | 2026-02-23T11:55:18.415000Z | Lec. | Combo. 0.000. 1.000. 0.001. 0.000 | false | true | false | |
3,085 | 2026-02-23T11:55:16.566000Z | 2026-02-23T11:55:16.566000Z | Lec. | LovaszHinge. 0.000. 1.000. 0.001. 0.000 | false | false | false | |
3,084 | 2026-02-23T11:55:14.808000Z | 2026-02-23T11:55:14.808000Z | Lec. | Focal + Tversky. 0.000. 1.000. 0.001. 0.000 | false | false | false | |
3,083 | 2026-02-23T11:55:12.846000Z | 2026-02-23T11:55:12.846000Z | Lec. | Tversky. 0.037. 0.307. 0.067. 0.035 | false | false | false | |
3,082 | 2026-02-23T11:55:11.138000Z | 2026-02-23T11:55:11.138000Z | Lec. | Focal. 0.994. 0.008. 0.017. 0.008 | false | true | false | |
3,081 | 2026-02-23T11:55:09.342000Z | 2026-02-23T11:55:09.342000Z | Lec. | IoU. 0.035. 0.298. 0.068. 0.035 | false | false | false | |
3,080 | 2026-02-23T11:55:07.430000Z | 2026-02-23T11:55:07.430000Z | Lec. | Dice + BCE. 0.051. 0.363. 0.089. 0.047 | false | false | false | |
3,079 | 2026-02-23T11:55:05.552000Z | 2026-02-23T17:38:20.094000Z | Lec. | Dice. 0.994. 0.008. 0.017. 0.008 | 0.994, 0.008, 0.017 и 0.008. | false | true | true |
3,078 | 2026-02-23T11:55:03.538000Z | 2026-02-23T11:55:03.538000Z | Lec. | BCE with Logits. 0.004. 0.861. 0.008. 0.004 | false | false | false | |
3,077 | 2026-02-23T11:55:01.685000Z | 2026-02-23T11:55:01.685000Z | Lec. | MSE. 0.996. 0.008. 0.017. 0.008 | false | false | false | |
3,076 | 2026-02-23T11:54:59.740000Z | 2026-02-23T11:54:59.740000Z | Lec. | Функции потерь | false | false | false | |
3,075 | 2026-02-23T11:54:58.008000Z | 2026-02-23T11:54:58.008000Z | Lec. | Результаты решения задачи сегментации приведены ниже в таблицах | false | true | false | |
3,074 | 2026-02-23T11:54:56.136000Z | 2026-02-23T11:54:56.136000Z | Lec. | Также для оценки результатов использовались специфичные для задач сегментации раннее упомянутые метрики Dice и IoU | false | true | false | |
3,073 | 2026-02-23T11:54:54.409000Z | 2026-02-23T16:25:48.953000Z | Lec. | Для анализа результатов были выбраны метрики Precision и Recall, которые описаны следующими формулами:. где — истинное положительное предсказание,. — ложное положительное предсказание,. — ложное отрицательное предсказание, | Для анализа результатов были выбраны метрики Precision и Recall, которые описаны следующими формулами. где — истинное положительное предсказание, — ложное положительное предсказание, — ложное отрицательное предсказание, | false | true | true |
3,072 | 2026-02-23T11:54:51.932000Z | 2026-02-23T11:54:51.932000Z | Lec. | Каждая модель обучалась 200 эпох | false | true | false | |
3,071 | 2026-02-23T11:54:50.189000Z | 2026-02-23T11:54:50.189000Z | Lec. | При обучении моделей использовался классический оптимизатор Adam [] | false | true | false | |
3,070 | 2026-02-23T11:54:48.523000Z | 2026-02-23T11:54:48.523000Z | Lec. | Обучение модели и оценка результатов | false | true | false | |
3,069 | 2026-02-23T11:54:46.448000Z | 2026-02-23T11:54:46.448000Z | Lec. | Combo Loss [16] — гибридная функция потерь, объединяющая взвешенную кросс-энтропию BCE и Dice Loss:. где — регулировщик вклада каждой функции потерь | false | true | false | |
3,068 | 2026-02-23T11:54:44.738000Z | 2026-02-23T16:09:47.333000Z | Lec. | LovaszHinge Loss не имеет простой формулы, но является реализуемой с помощью кода | Lovasz-Hinge Loss не имеет простой формулы, но является реализуемым с помощью кода | false | true | true |
3,067 | 2026-02-23T11:54:42.463000Z | 2026-02-23T11:54:42.463000Z | Lec. | При реализации используются подсортированные ошибки и субградиенты IoU | false | false | false | |
3,066 | 2026-02-23T11:54:40.316000Z | 2026-02-23T18:26:35.943000Z | Lec. | LovaszHinge Loss [15] — функция потерь, идеей которой является напрямую оптимизировать IoU, даже если оно не дифференцируемое | Функция потерь Lovász-Hinge [15] — идеей которой является напрямую оптимизировать IoU, даже если оно не дифференцируемое. | false | true | true |
3,065 | 2026-02-23T11:54:38.392000Z | 2026-02-23T15:59:57.374000Z | Lec. | Focal + Tversky Loss [14] — совмещенная функция потерь, идея которой объединить Tversky Loss и возможность модели обучаться на трудных примерах:. где — фокусирующий параметр | Focal-Tversky loss [14] — сочетание функций потерь, идея которой заключается в объединении Tversky Loss и возможности модели обучаться на трудных примерах. Здесь — фокусирующий параметр. | false | true | true |
3,064 | 2026-02-23T11:54:36.639000Z | 2026-02-23T11:54:36.639000Z | Lec. | Tversky Loss [13] — обобщение Dice Loss, позволяющее по-разному штрафовать FP и FN предсказания:. где — истинное положительное предсказание,. — ложное положительное предсказание,. — ложное отрицательное предсказание,. и — регулировщики баланса между и | false | true | false | |
3,063 | 2026-02-23T11:54:34.732000Z | 2026-02-23T11:54:34.732000Z | Lec. | Focal Loss [12] — модифицированная версия BCE Loss, задачей которой является обучение модели на трудных примерах, что необходимо при работе с МРТ-изображениями:. где — предсказание модели,. — весовой коэффициент (для балансировки классов),. — фокусирующий параметр | false | true | false | |
3,062 | 2026-02-23T11:54:32.404000Z | 2026-02-23T11:54:32.404000Z | Lec. | Функция потерь измеряет насколько предсказанная область совпадает с истинной: | false | true | false | |
3,061 | 2026-02-23T11:54:30.841000Z | 2026-02-23T13:50:23.863000Z | Lec. | IoU Loss [11] (или Intersection over Union Loss) основана на метрике IoU (или коэффициент Жаккара) | IOU Loss [11] (или Intersection over Union Loss) основана на метрике IOU (или коэффициент Жаккара) | false | true | true |
3,060 | 2026-02-23T11:54:29.025000Z | 2026-02-23T11:54:29.025000Z | Lec. | Dice + BCE Loss [10] — комбинированная функция потерь, объединяющая Dice Loss и BCE: | false | true | false | |
3,059 | 2026-02-23T11:54:26.945000Z | 2026-02-23T16:20:56.829000Z | Lec. | Так как идеальное значение коэффициента Дайса стремится к 1, то функцию потерь необходимо привести к 0 и минимизировать: | Так как идеальное значение коэффициента Дайса стремится к 1, то функцию потерь необходимо привести к 0 и стремиться минимизировать: | false | true | true |
3,058 | 2026-02-23T11:54:25.396000Z | 2026-02-23T11:54:25.396000Z | Lec. | Dice Loss [9] — функция потерь, основанная на коэффициенте Дайса, который измеряет пересечение между предсказанием и истинной:. где — предсказанная маска,. — истинная маска | false | true | false |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.