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 |
|---|---|---|---|---|---|---|---|---|
3,057 | 2026-02-23T11:54:23.528000Z | 2026-02-23T11:54:23.528000Z | Lec. | Если рассматривать каждый пиксель по отдельности, то задача сегментации превращается во множество подзадач бинарной классификации, результатом которых является булево значение принадлежности пикселя к позвоночной артерии. где — логит (предсказание модели до применения сигмоиды),. — действительное значение,. — сигмоида | false | true | false | |
3,056 | 2026-02-23T11:54:21.595000Z | 2026-02-23T11:54:21.595000Z | Lec. | BCE with Logits Loss используется в основном для бинарной классификации | false | true | false | |
3,055 | 2026-02-23T11:54:19.786000Z | 2026-02-23T13:42:27.276000Z | Lec. | BCE with Logits Loss [8] — функция потерь, сочетающая в себе сигмоиду и функцию потерь бинарной кросс-энтропии | Функция потерь BCE with Logits Loss [8] — это функция, сочетающая в себе сигмоиду и Binary Cross-Entropy loss function. | false | true | true |
3,054 | 2026-02-23T11:54:18.071000Z | 2026-02-23T11:54:18.071000Z | Lec. | Функция записывается следующим образом:. где — количество пар значений,. — действительное значение,. — предсказанное значение | false | true | false | |
3,053 | 2026-02-23T11:54:16.295000Z | 2026-02-23T18:24:53.026000Z | Lec. | MSE Loss (Mean Squared Error) [7] — функция среднеквадратичной ошибки между предсказанным и действительным значениями | МSE Loss (Mean Squared Error) [7] — функция среднеквадратичной ошибки между предсказанными и действительными значениями. | false | true | true |
3,052 | 2026-02-23T11:54:14.471000Z | 2026-02-23T11:54:14.471000Z | Lec. | Для обучения модели под решение задачи сегментации, были выбраны 10 различных функций потерь: | false | true | false | |
3,051 | 2026-02-23T11:54:12.910000Z | 2026-02-23T11:54:12.910000Z | Lec. | Идея функции потерь (loss function) заключается в минимизации разницы между предсказанным и действительным значениями | false | true | false | |
3,050 | 2026-02-23T11:54:11.207000Z | 2026-02-23T17:19:30.479000Z | Lec. | Для качественного обучения модели также необходимо выбрать правильные функции потерь [6] | Для качественного обучения модели также необходимо выбрать правильные функции потерь для [6] | false | true | true |
3,049 | 2026-02-23T11:54:09.558000Z | 2026-02-23T16:09:07.522000Z | Lec. | Выходной слой классификатора был модифицирован для корректной работы с изображениями разрешения 512x512 | Выходной слой классификатора был модифицирован для корректной работы с изображениями разрешения 512x512 пикселей. | false | true | true |
3,048 | 2026-02-23T11:54:07.864000Z | 2026-02-23T15:42:42.331000Z | Lec. | В результате структура первого входного была изменена под работу с одноканальными изображениями | В результате структура входных данных была изменена под работу с одноканальными изображениями. | false | true | true |
3,047 | 2026-02-23T11:54:06.230000Z | 2026-02-23T16:32:43.652000Z | Lec. | В работе присутствует необходимость работы с одноканальными (черно-белыми) изображениями, так как некоторые фильтры не способны работать с классическими трехканальными изображениями | В работе присутствует необходимость работы с моноканальными (черно-белыми) изображениями, так как некоторые фильтры не способны работать с классическими трехканальными изображениями. | false | true | true |
3,046 | 2026-02-23T11:54:04.535000Z | 2026-02-23T11:54:04.535000Z | Lec. | В архитектуру были также внесены технические изменения для корректного обучения: | false | true | false | |
3,045 | 2026-02-23T11:54:02.767000Z | 2026-02-23T11:54:02.767000Z | Lec. | Для обучения на изображениях была выбрана архитектура полносвязной модели ResNet101 [5], идеально подходящая для решения задач сегментации | false | true | false | |
3,044 | 2026-02-23T11:54:01.002000Z | 2026-02-23T13:28:33.131000Z | Lec. | Выбор модели и способа обучения | Выбор модели и способа обучения. | false | true | true |
3,043 | 2026-02-23T11:53:59.383000Z | 2026-02-23T11:53:59.383000Z | Lec. | Изображения, обработанные фильтрами NLM и Франги также были сохранены как отдельный датасет | false | true | false | |
3,042 | 2026-02-23T11:53:57.543000Z | 2026-02-23T11:53:57.543000Z | Lec. | Примеры работы фильтра Франги | false | true | false | |
3,041 | 2026-02-23T11:53:56.118000Z | 2026-02-23T11:53:56.118000Z | Lec. | Функция наложения фильтра Франги на изображения реализована с помощью библиотеки scikit-image и метода frangi. а б | false | false | false | |
3,040 | 2026-02-23T11:53:54.293000Z | 2026-02-23T13:49:39.343000Z | Lec. | Вычисляется параметр vesselness:. где — параметр вытянутости,. — мера структурности,. — параметры | Вычисляется параметр весельности:. где — параметр вытянутость,. — мера структуры,. — параметр | false | true | true |
3,039 | 2026-02-23T11:53:52.685000Z | 2026-02-23T13:46:13.757000Z | Lec. | Вычисляются собственные значения | Вычисляются собственные значения | false | true | true |
3,038 | 2026-02-23T11:53:51.010000Z | 2026-02-23T17:29:45.165000Z | Lec. | Находится матрица Гессе 2x2, содержащая | Найдется матрица Гессе 2x2, содержащая | false | true | true |
3,037 | 2026-02-23T11:53:49.267000Z | 2026-02-23T13:50:40.039000Z | Lec. | Фильтр Франги описывается уравнением, результатом которого является параметр «vesselness»: | Фильтр Франги описывается уравнением, результатом которого является параметр «вессельнес». | false | true | true |
3,036 | 2026-02-23T11:53:47.695000Z | 2026-02-23T13:25:06.762000Z | Lec. | На основе вычисленных значений находится параметр «vesselness», определяющий насколько пиксель похож на сосуд | На основе вычисленных значений определяется параметр "vesselness", определяющий насколько пиксель похож на сосуд | false | true | true |
3,035 | 2026-02-23T11:53:46.021000Z | 2026-02-23T17:56:36.420000Z | Lec. | Из матрицы вычисляются собственные значения, описывающие локальную геометрию изображения | Из матрицы вычисляются собственные значения, описывающие локальную геометрию изображения. | false | true | true |
3,034 | 2026-02-23T11:53:44.244000Z | 2026-02-23T13:38:28.641000Z | Lec. | Считается матрица Гессе [4] и вторые производные яркости для каждого пикселя | Считается матрица Гессе[4] и вторые производные яркости для каждого пикселя | false | true | true |
3,033 | 2026-02-23T11:53:42.585000Z | 2026-02-23T11:53:42.585000Z | Lec. | Фильтр работает следующим образом: | false | true | false | |
3,032 | 2026-02-23T11:53:39.149000Z | 2026-02-23T13:47:09.381000Z | Lec. | Фильтр Франги основан на анализе второго порядка производных матриц Гессе | Фильтр Френча основан на анализе второго порядка производных матриц Гессе | false | true | true |
3,031 | 2026-02-23T11:53:37.522000Z | 2026-02-23T11:53:37.522000Z | Lec. | Основная задача заключается в выделении вытянутых, трубчатых объектов, таких как кровеносные сосуды на МРТ/КТ, капилляры, трещины и артерии | false | true | false | |
3,030 | 2026-02-23T11:53:35.854000Z | 2026-02-23T11:53:35.854000Z | Lec. | Фильтр Frangi — анализатор сосудистых структур в изображении | false | true | false | |
3,029 | 2026-02-23T11:53:34.119000Z | 2026-02-23T11:53:34.119000Z | Lec. | Примеры работы NLM фильтра | false | true | false | |
3,028 | 2026-02-23T11:53:32.524000Z | 2026-02-23T11:53:32.524000Z | Lec. | После шум и изображение были обработаны методом denoise_image, который использует фильтр NLM. а б | false | true | false | |
3,027 | 2026-02-23T11:53:30.599000Z | 2026-02-23T13:46:44.359000Z | Lec. | Для начала был создан шум с одинаковым размером изображения | Для начала было создано изображение с одинаковым размером шума | false | true | true |
3,026 | 2026-02-23T11:53:28.461000Z | 2026-02-23T11:53:28.461000Z | Lec. | Функция применения фильтра Non-local Means реализована при помощи библиотеки ants-py | false | true | false | |
3,025 | 2026-02-23T11:53:26.903000Z | 2026-02-23T11:53:26.903000Z | Lec. | Математическая идея фильтра Non-local means записывается следующим образом:. где — значение пикселя ,. — вес, зависящий от сходства патча вокруг и патча вокруг ,. — область поиска,. — сумма весов, равная единице | false | true | false | |
3,024 | 2026-02-23T11:53:24.928000Z | 2026-02-23T16:18:14.503000Z | Lec. | Значения пикселей взвешиваются и вычисляется новое значение пикселя | Значения пикселей взвешиваются, а затем вычисляется новое значение пикселя | false | true | true |
3,023 | 2026-02-23T11:53:23.291000Z | 2026-02-23T16:34:47.172000Z | Lec. | Вычисляются веса на основе сходства найденных патчей | Вычисляются веса на основе сходства найденных патчей. | false | true | true |
3,022 | 2026-02-23T11:53:21.691000Z | 2026-02-23T11:53:21.691000Z | Lec. | В широком радиусе обозначаются другие патчи, похожие на окно вокруг | false | true | false | |
3,021 | 2026-02-23T11:53:19.835000Z | 2026-02-23T11:53:19.835000Z | Lec. | Берется патч (окно) вокруг пикселя | false | true | false | |
3,020 | 2026-02-23T11:53:18.333000Z | 2026-02-23T11:53:18.333000Z | Lec. | Работа фильтра описывается следующим образом: | false | true | false | |
3,019 | 2026-02-23T11:53:15.388000Z | 2026-02-23T11:53:15.388000Z | Lec. | В отличие от классических фильтров (среднего, гауссового, медианного), усредняющих только значения ближайших пикселей, NLM ищет похожие паттерны по всему изображению | false | true | false | |
3,018 | 2026-02-23T11:53:13.730000Z | 2026-02-23T11:53:13.730000Z | Lec. | Основная идея Non-local means (NLM) фильтра заключается в учитывании похожих объектов, даже несмотря на то, что они потенциально находятся далеко друг от друга | false | true | false | |
3,017 | 2026-02-23T11:53:11.944000Z | 2026-02-23T15:59:42.571000Z | Lec. | Примеры работы CurvatureFlow фильтра | Примеры работы CurvatureFlow фильтра. | false | true | true |
3,016 | 2026-02-23T11:53:10.196000Z | 2026-02-23T13:38:58.738000Z | Lec. | Обработанные изображения сохраняются в отдельный датасет для последующего тестирования. а б | Обработанные изображения сохраняются в отдельный датасет для последующего тестирования. А б | false | true | true |
3,015 | 2026-02-23T11:53:08.265000Z | 2026-02-23T11:53:08.265000Z | Lec. | Затем функция реализации применяется ко всем изображениям | false | true | false | |
3,014 | 2026-02-23T11:53:06.747000Z | 2026-02-23T13:28:05.989000Z | Lec. | Реализация фильтра выполняется через библиотеку SimpleITK при помощи метода CurvatureFlow | Реализация фильтра выполняется через библиотеку SimpleITK с помощью метода CurvatureFlow. | false | true | true |
3,013 | 2026-02-23T11:53:05.176000Z | 2026-02-23T13:32:48.943000Z | Lec. | Фильтр CurvatureFlow описывается следующей формулой:. где — изображение в момент времени ,. — градиент изображения,. — кривизна уровня яркости | Фильтр CurvatureFlow описывается следующей формулой: где — изображение в момент времени t, — градиент изображения, — кривизна уровня яркости. | false | true | true |
3,012 | 2026-02-23T11:53:03.641000Z | 2026-02-23T11:53:03.641000Z | Lec. | В сравнении с классическим гауссовым фильтром, который размывает абсолютно все, включая края, фильтр CurvatureFlow сглаживает только шум, не размывая важные структуры, такие как контуры объектов | false | true | false | |
3,011 | 2026-02-23T11:53:01.832000Z | 2026-02-23T11:53:01.832000Z | Lec. | Поверхность течет в направлении, уменьшающем ее кривизну — отсюда и название CurvatureFlow (течение по кривизне) | false | true | false | |
3,010 | 2026-02-23T11:53:00.084000Z | 2026-02-23T13:34:41.068000Z | Lec. | Фильтрация происходит путем деформации поверхности, управляемой кривизной уровня яркости | Фильтрация происходит путем деформации поверхности, управляемой кривизной уровня яркости. | false | true | true |
3,009 | 2026-02-23T11:52:58.532000Z | 2026-02-23T13:39:50.823000Z | Lec. | Изображение рассматривается как поверхность в трехмерном пространстве, где яркость пикселя — высота | Изображение рассматривается как поверхность в трехмерном пространстве, где яркость пикселя — высота точки на этой поверхности. | false | true | true |
3,008 | 2026-02-23T11:52:56.892000Z | 2026-02-23T13:45:57.633000Z | Lec. | CurvatureFlow (CF) фильтр — тип фильтра, основанный на эволюции кривизны поверхности и сохраняющий важные геометрические особенности | Curvature Flow (CF) фильтр — тип фильтра, основанный на эволюции кривизны поверхности и сохраняющий важные геометрические особенности. | false | true | true |
3,007 | 2026-02-23T11:52:55.112000Z | 2026-02-23T11:52:55.112000Z | Lec. | Frangi filter [3] | false | false | false | |
3,006 | 2026-02-23T11:52:53.412000Z | 2026-02-23T11:52:53.412000Z | Lec. | Non-local means filter [2] | false | false | false | |
3,005 | 2026-02-23T11:52:51.702000Z | 2026-02-23T11:52:51.702000Z | Lec. | CurvatureFlow filter [1] | false | false | false | |
3,004 | 2026-02-23T11:52:49.827000Z | 2026-02-23T13:34:46.145000Z | Lec. | Для обработки МРТ-изображений было принято решение использовать следующие фильтры: | Для обработки МРТ-изображений было решено использовать следующие фильтры: | false | true | true |
3,003 | 2026-02-23T11:52:48.062000Z | 2026-02-23T11:52:48.062000Z | Lec. | Фильтры используются для подавления шумов и улучшения контрастности | false | true | false | |
3,002 | 2026-02-23T11:52:46.327000Z | 2026-02-23T11:52:46.327000Z | Lec. | Для последующего улучшения качества работы нейросетевой модели часто применяются различные фильтры | false | true | false | |
3,001 | 2026-02-23T11:52:44.658000Z | 2026-02-23T11:52:44.658000Z | Lec. | Фреймворки вида PyTorch умеют быстро и эффективно с ними работать | false | true | false | |
3,000 | 2026-02-23T11:52:42.892000Z | 2026-02-23T11:52:42.892000Z | Lec. | Все входы, веса и выходы моделей представлены тензорами | false | true | false | |
2,999 | 2026-02-23T11:52:41.300000Z | 2026-02-23T16:35:14.838000Z | Lec. | Тензоры являются основой всех данных в нейросетях | В основе всех данных в нейросетях лежат тензоры. | false | true | true |
2,998 | 2026-02-23T11:52:39.518000Z | 2026-02-23T11:52:39.518000Z | Lec. | Тензор – обобщенный массив чисел, представляемый как контейнер для данных, похожий на многомерную таблицу | false | true | false | |
2,997 | 2026-02-23T11:52:37.660000Z | 2026-02-23T11:52:37.660000Z | Lec. | Его суть заключается в преобразовании всех изображений в специальный массив – тензор | false | true | false | |
2,996 | 2026-02-23T11:52:35.916000Z | 2026-02-23T13:33:34.920000Z | Lec. | Также ко всем изображениям был применен метод ToTensor | Также ко всем изображениям был применен метод ToTensor к преобразованию | false | true | true |
2,995 | 2026-02-23T11:52:34.158000Z | 2026-02-23T15:57:10.038000Z | Lec. | При помощи метода Resize размеры всех изображений изменяются на оптимальные для нейросетевой модели | Для изменения размеров всех изображений используется метод Resize, который подготавливает их к работе с нейросетью | false | true | true |
2,994 | 2026-02-23T11:52:32.468000Z | 2026-02-23T11:52:32.468000Z | Lec. | Несмотря на то, что все Т2-взвешенные изображения в датасете имеют разрешение 512x512, нейросетевые модели чувствительны к разрешению, подаваемому на вход | false | true | false | |
2,993 | 2026-02-23T11:52:30.631000Z | 2026-02-23T11:52:30.631000Z | Lec. | Трансформации – специальная библиотека фреймворка PyTorch, инструменты которой позволяют изменять изображения до того, как они попадают в нейросетевую модель | false | true | false | |
2,992 | 2026-02-23T11:52:28.853000Z | 2026-02-23T17:22:13.079000Z | Lec. | Для приведения изображения к единому формату и размеру используются трансформации | Для приведения изображения к единому формату и размеру используются трансформации. | false | true | true |
2,991 | 2026-02-23T11:52:27.306000Z | 2026-02-23T11:52:27.306000Z | Lec. | Снижение размерности (например, переход в градации серого) | false | true | false | |
2,990 | 2026-02-23T11:52:25.562000Z | 2026-02-23T11:52:25.562000Z | Lec. | Выделение ключевых признаков (контуры, границы и т.д.) | false | false | false | |
2,989 | 2026-02-23T11:52:23.989000Z | 2026-02-23T16:40:56.983000Z | Lec. | Приведение изображений к единому формату и размеру | Приведение изображений к единому формату и размеру. | false | true | true |
2,988 | 2026-02-23T11:52:22.516000Z | 2026-02-23T11:52:22.516000Z | Lec. | Повышение контрастности и четкости | false | true | false | |
2,987 | 2026-02-23T11:52:20.983000Z | 2026-02-23T11:52:20.983000Z | Lec. | Удаление шумов | false | true | false | |
2,986 | 2026-02-23T11:52:19.011000Z | 2026-02-23T15:51:22.918000Z | Lec. | В основные задачи предобработки изображений входит: | Основные задачи предобработки изображений включают в себя: | false | true | true |
2,985 | 2026-02-23T11:52:17.163000Z | 2026-02-23T11:52:17.163000Z | Lec. | Цель предобработки изображений заключается в улучшении качества данных для последующей обработки алгоритмами глубинного обучения | false | true | false | |
2,984 | 2026-02-23T11:52:15.381000Z | 2026-02-23T15:55:14.038000Z | Lec. | Предобработка изображений — этап подготовки изображения перед его анализом или подачей в алгоритм машинного обучения, компьютерного зрения или распознавания | Предобработка изображений — этап подготовки изображения перед его анализом или подачей в алгоритм машинного обучения, компьютерного зрения или распознавание | false | true | true |
2,983 | 2026-02-23T11:52:13.514000Z | 2026-02-23T13:26:33.126000Z | Lec. | Предобработка изображений | Предобработка изображений | false | true | true |
2,982 | 2026-02-23T11:52:11.723000Z | 2026-02-23T11:52:11.723000Z | Lec. | Анализ размеров позвоночных артерий на патологии | false | true | false | |
2,981 | 2026-02-23T11:52:09.842000Z | 2026-02-23T11:52:09.842000Z | Lec. | Преобразование результатов сегментации в размеры позвоночных артерий | false | true | false | |
2,980 | 2026-02-23T11:52:07.848000Z | 2026-02-23T11:52:07.848000Z | Lec. | Решение задачи сегментации позвоночных артерий | false | true | false | |
2,979 | 2026-02-23T11:52:05.659000Z | 2026-02-23T13:50:17.197000Z | Lec. | Выполнение предобработки изображений | Выполнение предобработки изображений необходимо перед тем, как... | false | true | true |
2,978 | 2026-02-23T11:52:04.156000Z | 2026-02-23T13:31:25.819000Z | Lec. | Для выполнения одной из главных целей, необходимо обозначить этапы решения и задачи: | Для выполнения одной из главных целей необходимо обозначить этапы решения и определенные задачи. | false | true | true |
2,977 | 2026-02-23T11:52:01.844000Z | 2026-02-23T11:52:01.844000Z | Lec. | Основной целью работы является обнаружение патологий на изображениях МРТ путем анализа размеров позвоночных артерий | false | true | false | |
2,976 | 2026-02-23T11:52:00.104000Z | 2026-02-23T17:33:44.342000Z | Lec. | Обозначение задач и поиск решения | Обозначение задач и поиск решения. Верни ответ в ВАЛИДНОМ JSON формате с двумя ключами: 1. «reason» – краткое обоснование твоего выбора; 2. «result» – исправленный вариант предложения. | false | true | true |
2,975 | 2026-02-23T11:51:58.341000Z | 2026-02-23T11:51:58.341000Z | Lec. | Оставшиеся Т2-взвешенные изображения были разделены на две выборки: тренировочная, состоящая из 55 пар изображений-масок, и валидационная, состоящая из 10 пар | false | true | false | |
2,974 | 2026-02-23T11:51:56.550000Z | 2026-02-23T11:51:56.550000Z | Lec. | Т2 изображения имеют выраженный контраст патологий, так как позвоночные артерии становятся гиперинтенсивными (яркими) | false | true | false | |
2,973 | 2026-02-23T11:51:54.753000Z | 2026-02-23T13:44:21.006000Z | Lec. | Количество T2-взвешенных изображений превосходит количество T1-взвешенных изображений (67 против 30) | Количество T2-взвешенных изображений превышает количество T1-взвешенного изображения (67 против 30) | false | true | true |
2,972 | 2026-02-23T11:51:53.004000Z | 2026-02-23T13:49:10.041000Z | Lec. | После консультации с Мошкиным Андреем Сергеевичем было принято решение работать только с изображениями T2 категории по следующим причинам: | После консультации с Мошкиным Андреем Сергеевичем было принято решение работать только с изображениями Т2 категории по следующим причинам: | false | true | true |
2,971 | 2026-02-23T11:51:51.311000Z | 2026-02-23T11:51:51.311000Z | Lec. | После очистки датасета от выбросов, данные были вручную разделены на две различные категории: T1-взвешенные и T2-взвешенные изображения | false | true | false | |
2,970 | 2026-02-23T11:51:49.530000Z | 2026-02-23T11:51:49.530000Z | Lec. | Примеры выбросов | false | true | false | |
2,969 | 2026-02-23T11:51:48.097000Z | 2026-02-23T11:51:48.097000Z | Lec. | Позиция и форма позвоночных артерий кардинально отличаются от среднестатистических показателей по датасету. а б | false | true | false | |
2,968 | 2026-02-23T11:51:45.957000Z | 2026-02-23T11:51:45.957000Z | Lec. | На МРТ-изображениях отсутствуют позвоночные артерии | false | true | false | |
2,967 | 2026-02-23T11:51:44.040000Z | 2026-02-23T11:51:44.040000Z | Lec. | Они характеризуются двумя типами: | false | true | false | |
2,966 | 2026-02-23T11:51:41.769000Z | 2026-02-23T13:27:28.618000Z | Lec. | В наборе данных также присутствуют выбросы | В наборе данных также присутствуют выбросы. | false | true | true |
2,965 | 2026-02-23T11:51:40.215000Z | 2026-02-23T17:47:27.328000Z | Lec. | Из них 67 изображения Т2-взвешенного типа | Из 67 изображений типа T2-взвешенного. | false | true | true |
2,964 | 2026-02-23T11:51:38.578000Z | 2026-02-23T11:51:38.578000Z | Lec. | Датасет состоит из 97 изображений, к каждому из которых приложена маска | false | true | false | |
2,963 | 2026-02-23T11:51:36.878000Z | 2026-02-23T17:05:37.654000Z | Lec. | Пример маски | Пример маски. | false | true | true |
2,962 | 2026-02-23T11:51:34.895000Z | 2026-02-23T17:32:32.578000Z | Lec. | Т1 (а) и Т2 (б) изображения | Т1 (а) и Т2 (б) | false | true | true |
2,961 | 2026-02-23T11:51:33.324000Z | 2026-02-23T11:51:33.324000Z | Lec. | Также к каждому изображению приложена маска, на которой обозначены размеры и позиции позвоночных артерий. а б | false | true | false | |
2,960 | 2026-02-23T11:51:31.665000Z | 2026-02-23T13:35:16.797000Z | Lec. | Из-за серьезных различий между ними, датасет необходимо разделить | Из-за серьезных различий между ними, данные необходимо разделить | false | true | true |
2,959 | 2026-02-23T11:51:30.035000Z | 2026-02-23T17:43:31.884000Z | Lec. | На рисунке 1 продемонстрированы оба типа МРТ-изображений из датасета | На рисунке 1 продемонстрированы оба типа МРТ-изображения из данного датасета. | false | true | true |
2,958 | 2026-02-23T11:51:28.339000Z | 2026-02-23T13:48:59.243000Z | Lec. | Вода и спинномозговая жидкость выделены ярко, мышцы и кости подсвечиваются темным цветом | Вода и спинномозговая жидкость выделены ярко, мышцы и кости подсвечены темным цветом | false | true | true |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.