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 |
|---|---|---|---|---|---|---|---|---|
2,857 | 2026-02-23T11:48:18.214000Z | 2026-02-23T13:34:13.373000Z | Lec. | Система контроля версий Git использовалась для управления кодовой базой проекта | Система контроля версий Git была использована для управления кодовой базой проекта. | false | true | true |
2,856 | 2026-02-23T11:48:16.461000Z | 2026-02-23T11:48:16.461000Z | Lec. | Использование Streamlit сделало систему доступной через браузер без необходимости установки дополнительных программ, что особенно важно для конечных пользователей без технической подготовки | false | true | false | |
2,855 | 2026-02-23T11:48:14.666000Z | 2026-02-23T11:48:14.666000Z | Lec. | С его помощью был реализован интуитивно понятный веб-интерфейс, позволяющий загружать изображения, запускать инференс, управлять отображением сегментированных структур, выполнять количественный анализ и формировать PDF-отчеты | false | true | false | |
2,854 | 2026-02-23T11:48:12.750000Z | 2026-02-23T18:01:14.958000Z | Lec. | Streamlit предоставляет простые и гибкие средства создания интерактивных приложений для визуализации данных и взаимодействия с моделями машинного обучения | Streamlit предоставляет простые и гибкие средства для создания интерактивных приложений для визуализации данных и взаимодействия с моделями машинного обучения. | false | true | true |
2,853 | 2026-02-23T11:48:10.939000Z | 2026-02-23T11:48:10.939000Z | Lec. | Фреймворк Streamlit [11] использовался для реализации веб-интерфейса системы | false | true | false | |
2,852 | 2026-02-23T11:48:09.203000Z | 2026-02-23T13:42:48.412000Z | Lec. | Она позволила выполнять чтение, нормализацию, изменение размера и сохранение КТ-срезов, обеспечивая совместимость с требованиями nnU-Net и корректную пространственную привязку данных | Она позволила выполнять чтение, нормализацию, изменение размера и сохранение КТ-срезов, обеспечивая совместимость с требованиями nnu-Net и корректную пространственную привязку данных. | false | true | true |
2,851 | 2026-02-23T11:48:07.324000Z | 2026-02-23T18:22:19.272000Z | Lec. | Библиотека SimpleITK применялась для работы с медицинскими изображениями в формате NIfTI (.nii.gz) | Библиотека SimpleITK применялась для работы с медицинскими изображениями в формате NIfTI (.nii.gz) — это ошибка, поскольку правильная запись должна быть: Библиотека SimpleITK применялась для работы с медицинскими изображениями в форматах NIfTI (.nii и .nii.gz) | false | true | true |
2,850 | 2026-02-23T11:48:05.535000Z | 2026-02-23T13:50:18.666000Z | Lec. | Его использование позволило достичь высокой точности при ограниченном объеме размеченных данных | Его использование позволило достичь высокой точности при ограниченном объеме размеченных данных. | false | true | true |
2,849 | 2026-02-23T11:48:03.750000Z | 2026-02-23T17:39:01.621000Z | Lec. | Фреймворк nnU-Net применялся в качестве базовой архитектуры для решения задачи медицинской сегментации. nnU-Net автоматически подстраивает архитектуру U-Net под конкретный датасет и включает в себя все необходимое для обучения и инференса: стратегии предобработки, аугментации, кросс-валидации и постобработки | Фреймворк nNu-Net применялся в качестве базовой архитектуры для решения задачи медицинской сегментации. nNu-Net автоматически подстраивает архитектуру U-Net под конкретный датасет и включает в себя все необходимое для обучения и инференса: стратегии предобработки, аугментации, кросс-валидации и постобработки. | false | true | true |
2,848 | 2026-02-23T11:48:01.644000Z | 2026-02-23T11:48:01.644000Z | Lec. | PyTorch является стандартом в научных исследованиях и был совместим с фреймворком nnU-Net, использованным в данном проекте | false | true | false | |
2,847 | 2026-02-23T11:47:59.741000Z | 2026-02-23T11:47:59.741000Z | Lec. | Он предоставляет простой и гибкий интерфейс для определения нейронных сетей | false | true | false | |
2,846 | 2026-02-23T11:47:57.967000Z | 2026-02-23T11:47:57.967000Z | Lec. | Фреймворк глубокого обучения PyTorch [10] использовался для построения и запуска моделей сегментации | false | true | false | |
2,845 | 2026-02-23T11:47:55.743000Z | 2026-02-23T11:47:55.743000Z | Lec. | Python активно применяется в медицинских ИИ-задачах и предоставляет все необходимые средства для работы с изображениями, построения нейронных сетей, визуализации и создания пользовательских интерфейсов | false | true | false | |
2,844 | 2026-02-23T11:47:53.728000Z | 2026-02-23T17:43:14.123000Z | Lec. | Язык программирования Python [9] был выбран как основной язык реализации, поскольку он обладает лаконичным синтаксисом, богатой экосистемой научных библиотек и широким сообществом | Язык программирования Python [9] был выбран как основной язык реализации, поскольку он обладает лаконичным синтаксисом, богатой экосистемой научных библиотек и широким сообществом. | false | true | true |
2,843 | 2026-02-23T11:47:51.975000Z | 2026-02-23T11:47:51.975000Z | Lec. | Благодаря поддержке Jupyter Notebook, Git и интеграции с терминалом, PyCharm обеспечил удобную и продуктивную разработку всех компонентов проекта | false | true | false | |
2,842 | 2026-02-23T11:47:50.062000Z | 2026-02-23T13:40:29.542000Z | Lec. | PyCharm предоставляет мощные инструменты для работы с языком Python, включая интеллектуальную подсветку синтаксиса, автодополнение, отладчик, встроенное управление зависимостями и виртуальными окружениями | PyCharm предоставляет мощные инструменты для работы с языком Python, включая интеллектуальную подсветку синтаксиса, автодополнение, отладчик, встроенное управление зависимостями и виртуальными окружениями. | false | true | true |
2,841 | 2026-02-23T11:47:48.194000Z | 2026-02-23T11:47:48.194000Z | Lec. | Редактор кода PyCharm [8] использовался в качестве основной среды разработки проекта | false | true | false | |
2,840 | 2026-02-23T11:47:46.342000Z | 2026-02-23T17:37:23.726000Z | Lec. | Скрипт для установки зависимостей | Скрипт для установки зависимостей — это файл с расширением .json | false | true | true |
2,839 | 2026-02-23T11:47:44.947000Z | 2026-02-23T17:15:35.252000Z | Lec. | Скрипты включают в себя полный цикл подготовки окружения: осуществляют загрузку предобученной модели, установку требуемых Python-библиотек и настройку переменных среды, обеспечивающих стабильную и корректную работу фреймворка nnU-Net, что снижает вероятность ошибок, связанных с человеческим фактором, и ускоряет процесс... | Скрипты включают в себя полный цикл подготовки окружения: осуществляет загрузку предобученной модели, установку требуемых Python-библиотек и настройку переменных среды, обеспечивающих стабильную и корректную работу фреймворка nnU-Net, что снижает вероятность ошибок, связанных с человеческим фактором, и ускоряет процесс... | false | true | true |
2,838 | 2026-02-23T11:47:42.988000Z | 2026-02-23T16:07:10.064000Z | Lec. | Для устранения сложности были разработаны автоматизированные скрипты, обеспечивающие корректную установку всех необходимых компонентов на операционных системах Windows (bat-файл), Linux и macOS (shell-скрипты) (Рис. 18) | Для устранения сложности были разработаны автоматизированные скрипты, обеспечивающие корректную установку всех необходимых компонентов на операционных системах Windows (bat-файл), Linux (shell-скрипт) и macOS (shell-скрипт). | false | true | true |
2,837 | 2026-02-23T11:47:40.922000Z | 2026-02-23T11:47:40.922000Z | Lec. | Ручная установка всех зависимостей представляет собой трудоемкий процесс, включающий множество действий, связанных с загрузкой необходимых компонентов, настройкой окружения и проверкой совместимости версий библиотек | false | true | false | |
2,836 | 2026-02-23T11:47:39.297000Z | 2026-02-23T11:47:39.297000Z | Lec. | Пример PDF-отчета | false | true | false | |
2,835 | 2026-02-23T11:47:36.545000Z | 2026-02-23T17:02:16.634000Z | Lec. | Выбор инструментов анализа сегментации | Выбор инструментов анализа сегментации. | false | true | true |
2,834 | 2026-02-23T11:47:34.415000Z | 2026-02-23T16:37:42.217000Z | Lec. | Таким образом, разработанная система обеспечивает полный цикл работы с медицинскими изображениями — от загрузки и запуска предсказаний до анализа и визуализации результатов — без необходимости использования дополнительных программных средств | Таким образом, разработанная система обеспечивает полный цикл работы с медицинскими изображениями — от загрузки и запуска предсказаний до анализа и визуализации результатов — без необходимости использования дополнительных программных средств. | false | true | true |
2,833 | 2026-02-23T11:47:32.615000Z | 2026-02-23T11:47:32.615000Z | Lec. | Все результаты анализа доступны для сохранения в виде PDF-отчета (Рис. 17) | true | true | false | |
2,832 | 2026-02-23T11:47:30.554000Z | 2026-02-23T11:47:30.554000Z | Lec. | Пользователю доступно построение карты плотности, гистограммы распределения плотностей в пределах маски, а также таблицы со сводной статистикой (среднее значение, медиана, минимум, максимум и другие показатели) | false | true | false | |
2,831 | 2026-02-23T11:47:28.415000Z | 2026-02-23T11:47:28.415000Z | Lec. | Дополнительно интерфейс предоставляет инструменты анализа сегментаций (Рис. 16) | false | true | false | |
2,830 | 2026-02-23T11:47:26.768000Z | 2026-02-23T13:41:12.927000Z | Lec. | Визуализация сегментации | Визуализация сегментации? | false | true | true |
2,829 | 2026-02-23T11:47:25.010000Z | 2026-02-23T13:29:34.102000Z | Lec. | Для удобства каждый класс сегментации представлен собственным цветом (например, сердце — зеленым, аорта — красным), а отображение включается или выключается с помощью соответствующих чекбоксов | Для удобства каждый класс сегментации представлен собственным цветом; например, сердце — зеленым, аорта — красным. Отображение включается или выключается с помощью соответствующих чекбоксов. | false | true | true |
2,828 | 2026-02-23T11:47:23.401000Z | 2026-02-23T13:34:58.334000Z | Lec. | Пользователю доступен выбор отображаемых анатомических структур: сердце, аорта и легочная артерия | Пользователю доступен выбор отображаемых анатомических структур: сердце, аорта и легочная артерия -> Пользователю доступны для выбора следующие анатомические структуры: сердце, аорта и легочная артерия | false | true | true |
2,827 | 2026-02-23T11:47:21.802000Z | 2026-02-23T11:47:21.802000Z | Lec. | Сегментация визуализируется на срезе в виде цветных наложений поверх КТ-изображения (Рис. 15) | false | true | false | |
2,826 | 2026-02-23T11:47:20.078000Z | 2026-02-23T11:47:20.078000Z | Lec. | Блок выбора изображения | false | true | false | |
2,825 | 2026-02-23T11:47:18.563000Z | 2026-02-23T11:47:18.563000Z | Lec. | Для выбранного пациента отображается информация об исходном изображении и соответствующей маске, а также сообщение о числе срезов в объеме | false | true | false | |
2,824 | 2026-02-23T11:47:16.961000Z | 2026-02-23T11:47:16.961000Z | Lec. | После выполнения сегментации в интерфейсе появляется выпадающий список (Рис.14) с идентификаторами пациентов, среди которых доступен выбор нужного | true | true | false | |
2,823 | 2026-02-23T11:47:15.128000Z | 2026-02-23T18:02:23.952000Z | Lec. | Процесс инференса | Процесс инференции | false | true | true |
2,822 | 2026-02-23T11:47:13.390000Z | 2026-02-23T11:47:13.390000Z | Lec. | Блок загрузки данных | false | true | false | |
2,821 | 2026-02-23T11:47:11.415000Z | 2026-02-23T17:10:27.592000Z | Lec. | После загрузки файлов пользователю предлагается нажать кнопку «Запуск предсказания», в результате чего все изображения формата .jpg автоматически преобразовываются в .nii.gz стандартизированного имени (например, patient_XXX_0000.nii.gz), после чего запускается скрипт nnUNetv2_predict, осуществляющий сегментацию (Рис. 1... | После загрузки файлов пользователю предлагается нажать кнопку «Запуск предсказания», в результате чего все изображения формата .jpg автоматически преобразовываются в .nii.gz стандартизированного имени (например, patient_XXX_0000.nii.gz), после чего запускается скрипт nnUNetv2_predict, осуществляющий сегментацию (Рис. 1... | false | true | true |
2,820 | 2026-02-23T11:47:09.362000Z | 2026-02-23T11:47:09.362000Z | Lec. | Первый блок (Рис. 12). предназначен для загрузки данных, пользователь доступна загрузка изображения посредством drag-and-drop или с использованием файлового диалога | false | true | false | |
2,819 | 2026-02-23T11:47:07.614000Z | 2026-02-23T11:47:07.614000Z | Lec. | Пользовательский интерфейс разделен на несколько функциональных блоков, каждый из которых выполняет отдельную роль в процессе взаимодействия с системой | false | true | false | |
2,818 | 2026-02-23T11:47:05.978000Z | 2026-02-23T11:47:05.978000Z | Lec. | Интерфейс представляет собой одностраничное приложение | false | true | false | |
2,817 | 2026-02-23T11:47:04.451000Z | 2026-02-23T11:47:04.451000Z | Lec. | Интерфейс работает через браузер и не требует установки дополнительного программного обеспечения на стороне пользователя, что делает его удобным решением для врачей, исследователей и технических специалистов, работающих с медицинскими изображениями | false | true | false | |
2,816 | 2026-02-23T11:47:02.670000Z | 2026-02-23T13:35:26.145000Z | Lec. | Для реализации удобного, интуитивно понятного и доступного способа запуска модели nnUNet и визуализации результатов медицинской сегментации была разработана полнофункциональная веб-система | Для реализации удобного, интуитивно понятного и доступного способа запуска модели nnUNet и визуализации результатов медицинской сегментации была разработана полнофункциональная веб-система. | false | true | true |
2,815 | 2026-02-23T11:47:00.894000Z | 2026-02-23T11:47:00.894000Z | Lec. | UML диаграмма интерфейса | false | false | false | |
2,814 | 2026-02-23T11:46:59.338000Z | 2026-02-23T11:46:59.338000Z | Lec. | Интерфейс спроектирован таким образом, чтобы предоставить медицинским специалистам простой и интуитивно понятный инструмент для автоматической обработки КТ-снимков без необходимости в программировании или ручной настройке модели | false | true | false | |
2,813 | 2026-02-23T11:46:57.660000Z | 2026-02-23T11:46:57.660000Z | Lec. | Для обеспечения доступности разработанной системы не только специалистам в области машинного обучения, но и практикующим врачам, было принято решение создать пользовательский интерфейс, ориентированный на клинические сценарии применения | false | true | false | |
2,812 | 2026-02-23T11:46:55.867000Z | 2026-02-23T11:46:55.867000Z | Lec. | График обучения модели по эпохам | false | true | false | |
2,811 | 2026-02-23T11:46:54.207000Z | 2026-02-23T11:46:54.207000Z | Lec. | После завершения обучения (Рис. 10) были достигнуты следующие метрики Dice coefficient по структурам:. аорта — 0.9758;. сердце — 0.9391;. легочная артерия —0.8797 | false | false | false | |
2,810 | 2026-02-23T11:46:52.278000Z | 2026-02-23T11:46:52.278000Z | Lec. | Также nnU-Net применила собственный пайплайн предобработки:. нормализация интенсивностей пикселей;. приведение изображений к единому разрешению;. обрезка по области интереса и центрирование;. балансировка классов в батче для обучения | false | true | false | |
2,809 | 2026-02-23T11:46:50.521000Z | 2026-02-23T17:37:53.001000Z | Lec. | Использовалась комбинированная функция потерь, включающая Dice loss и Cross-Entropy, позволяющая учитывать как локальную, так и глобальную структуру объектов. . где – общая функция потерь,. – функция потерь, основанная на коэффициенте Dice,. – функция потерь, основанная на перекрёстной энтропии. где – предсказанное зн... | Использовалась комбинированная функция потерь, включающая Dice loss и Cross-Entropy, позволяющая учитывать как локальную, так и глобальную структуру объектов. . где – общая функция потерь,. – функция потерь, основанная на коэффициенте Dice,. – функция потерь, основанная на перекрестной энтропии. где – предсказанное зн... | false | true | true |
2,808 | 2026-02-23T11:46:48.409000Z | 2026-02-23T13:40:40.932000Z | Lec. | Модель автоматически определила архитектурные параметры: глубину сети, размер receptive field, размер входных патчей, функции активации, тип нормализации и другие | Модель автоматически определила архитектурные параметры: глубину сети, размер рецептивного поля, размер входных патчей, функции активации, тип нормализации и другие. | false | true | true |
2,807 | 2026-02-23T11:46:46.507000Z | 2026-02-23T13:34:14.984000Z | Lec. | Поскольку исходные данные представляли собой отдельные КТ-срезы без пространственной информации о расположении срезов, использовалась 2D-конфигурация | Поскольку исходные данные представляли собой отдельные КТ-срезы без пространственной информации о расположении срезов; использовалась 2D-конфигурация | false | true | true |
2,806 | 2026-02-23T11:46:44.767000Z | 2026-02-23T13:33:15.061000Z | Lec. | Высокая производительность: nnU-Net демонстрирует конкурентоспособные результаты на различных наборах данных без необходимости в сложных модификациях архитектуры | Высокая производительность: nnu-Net демонстрирует конкурентоспособные результаты на различных наборах данных без необходимости в сложных модификациях архитектуры | false | true | true |
2,805 | 2026-02-23T11:46:42.846000Z | 2026-02-23T17:53:56.724000Z | Lec. | Гибкость: поддержка 2D, 3D и каскадных 3D конфигураций позволяет применять nnU-Net к различным типам медицинских изображений и задач сегментации. | Гибкость: поддержка 2D, 3D и каскадных 3D конфигураций позволяет применять nnU-Net к различным типам медицинских изображений и задач сегментации. | false | true | true |
2,804 | 2026-02-23T11:46:40.947000Z | 2026-02-23T13:29:16.410000Z | Lec. | Автоматическая настройка: фреймворк самостоятельно определяет оптимальную конфигурацию сети и параметры обучения для каждого конкретного набора данных, что в разы упрощает процесс разработки моделей. | Автоматическая настройка: фреймворк самостоятельно определяет оптимальную конфигурацию сети и параметры обучения для каждого конкретного набора данных, что в разы упрощает процесс разработки моделей. | false | true | true |
2,803 | 2026-02-23T11:46:39.067000Z | 2026-02-23T16:55:00.044000Z | Lec. | Основные преимущества nnU-Net включают: | Основные преимущества nnU-Net включают:. | false | true | true |
2,802 | 2026-02-23T11:46:37.353000Z | 2026-02-23T16:25:23.108000Z | Lec. | Он анализирует характеристики входных данных и определяет оптимальные параметры предобработки, архитектуры сети, обучения и постобработки | Он анализирует характеристики входных данных и определяет оптимальные параметры предобработки, архитектуры сети, обучения и постобработки | false | true | true |
2,801 | 2026-02-23T11:46:35.725000Z | 2026-02-23T11:46:35.725000Z | Lec. | Для преодоления ограничений традиционной U-Net была предложен фреймворк nnU-Net (no-new-Net), представляющий собой самоконфигурируемую систему для сегментации медицинских изображений. nnU-Net автоматически адаптирует свою архитектуру и гиперпараметры под конкретный набор данных, устраняя необходимость в ручной настройк... | false | true | false | |
2,800 | 2026-02-23T11:46:33.788000Z | 2026-02-23T11:46:33.788000Z | Lec. | Попытки использовать предобученные модели на наборах данных, таких как ImageNet, не являются гарантией улучшения результатов в медицинской сегментации, поскольку особенности медицинских изображений существенно отличаются от изображений из общих наборов данных. | false | true | false | |
2,799 | 2026-02-23T11:46:31.884000Z | 2026-02-23T11:46:31.884000Z | Lec. | Несмотря на свою эффективность, оригинальная U-Net имеет ограничения, особенно при работе с малыми наборами данных | false | true | false | |
2,798 | 2026-02-23T11:46:30.012000Z | 2026-02-23T11:46:30.012000Z | Lec. | Архитектура U-Net | false | false | false | |
2,797 | 2026-02-23T11:46:28.448000Z | 2026-02-23T11:46:28.448000Z | Lec. | Энкодер U-Net по своей структуре во многом аналогичен классическим сверточным архитектурам, применяемым для задач классификации, и поэтому стало возможным использование предобученных весов из моделей, таких как VGG, ResNet или EfficientNet, прошедших обучение на ImageNet | false | true | false | |
2,796 | 2026-02-23T11:46:26.327000Z | 2026-02-23T13:41:25.342000Z | Lec. | Сеть включает симметричные encoder- и decoder-пути, а также skip connections, обеспечивающие передачу пространственной информации между соответствующими уровнями | Сеть включает симметричный encoder- и decoder-пути, а также skip connections, обеспечивающие передачу пространственной информации между соответствующими уровнями. | false | true | true |
2,795 | 2026-02-23T11:46:24.444000Z | 2026-02-23T11:46:24.444000Z | Lec. | Изначальная архитектура U-Net (Рис. 9) представляет собой модифицированную форму fully convolutional network (FCN), специально адаптированную для медицинских изображений | false | true | false | |
2,794 | 2026-02-23T11:46:22.494000Z | 2026-02-23T11:46:22.494000Z | Lec. | Подход основан на концепции transfer learning (переноса обучения), согласно которой низкоуровневые признаки (например, границы, углы, текстуры), извлеченные из миллионов естественных изображений, оказываются полезными и в других задачах, особенно при ограниченном объеме целевого набора данных | false | true | false | |
2,793 | 2026-02-23T11:46:20.604000Z | 2026-02-23T11:46:20.604000Z | Lec. | На раннем этапе проекта была предпринята попытка использовать классическую архитектуру U-Net [Error: Reference source not found] с инициализацией весов энкодера из предобученной модели на ImageNet — одном из крупнейших и популярных датасетов, используемых в компьютерном зрении | false | true | false | |
2,792 | 2026-02-23T11:46:18.446000Z | 2026-02-23T17:36:48.563000Z | Lec. | Сегментация в медицинских изображениях представляет собой задачу особой сложности, в которой требуется учитывать как высокую анатомическую вариативность, так и особенности самих данных: ограниченный объем размеченных изображений, наличие шума, неоднородное качество и разбалансированность между фоновыми и целевыми класс... | Сегментирование в медицинских изображениях представляет собой задачу особой сложности, в которой необходимо учитывать как высокую анатомическую вариативность, так и особенности самих данных: ограниченный объем размеченных изображений; наличие шума; неоднородное качество; разбалансированность между фоновыми и целевыми к... | false | true | true |
2,791 | 2026-02-23T11:46:16.659000Z | 2026-02-23T11:46:16.659000Z | Lec. | Одним из ключевых этапов создания системы автоматической сегментации анатомических структур на КТ-изображениях стало построение и обучение нейросетевой модели, способной эффективно выделять аорту, сердце и легочную артерию | false | true | false | |
2,790 | 2026-02-23T11:46:14.671000Z | 2026-02-23T11:46:14.671000Z | Lec. | Структура датасета | false | true | false | |
2,789 | 2026-02-23T11:46:11.850000Z | 2026-02-23T13:41:34.712000Z | Lec. | Структура полученного датасета представлена на рисунке (Рис. 8) | Структура полученного датасета представлена на рисунке (Рис. 8). | false | true | true |
2,788 | 2026-02-23T11:46:10.044000Z | 2026-02-23T11:46:10.044000Z | Lec. | Маски создавались путем объединения трех бинарных масок для каждой структуры в одну многоклассовую с использованием уникальных меток | false | true | false | |
2,787 | 2026-02-23T11:46:08.342000Z | 2026-02-23T11:46:08.342000Z | Lec. | Папка imagesTr содержала изображения КТ-срезов, а директория labelsTr — соответствующие им маски, где каждый пиксель имел целочисленное значение: 0 — фон, 1 — сердце, 2 — аорта, 3 — легочная артерия | false | true | false | |
2,786 | 2026-02-23T11:46:06.360000Z | 2026-02-23T13:49:12.184000Z | Lec. | Для каждого примера создавалась пара файлов: изображение с суффиксом _0000.nii.gz, соответствующее каналу КТ, и маска с тем же именем, но без суффикса | Для каждого примера создавались пара файлов: изображение с суффиксом _0000.nii.gz, соответствующее каналу КТ, и маска с тем же именем, но без суффикса | false | true | true |
2,785 | 2026-02-23T11:46:04.698000Z | 2026-02-23T11:46:04.698000Z | Lec. | Конвертация выполнялась с использованием библиотеки SimpleITK и специальных скриптов, обеспечивающих единое пространственное разрешение и корректное сопоставление изображения и маски | false | true | false | |
2,784 | 2026-02-23T11:46:02.704000Z | 2026-02-23T11:46:02.704000Z | Lec. | Исходные изображения, представленные в формате .jpg, и бинарные маски анатомических структур в формате .png были предварительно конвертированы в формат .nii.gz, совместимый с nnU-Net | false | true | false | |
2,783 | 2026-02-23T11:46:00.777000Z | 2026-02-23T13:32:19.357000Z | Lec. | Такое описание позволяет фреймворку автоматически распознать формат данных, сформировать стратегии аугментации и инициализировать параметры сети в соответствии с конкретной задачей сегментации | Такое описание позволяет фреймворку автоматически распознать формат данных, сформировать стратегии аугментации и инициализировать параметры сети в соответствии с конкретной задачей сегментации. | false | true | true |
2,782 | 2026-02-23T11:45:58.941000Z | 2026-02-23T11:45:58.941000Z | Lec. | Поле training содержит список пар файлов: изображения и соответствующие им маски, хранящиеся в подкаталогах imagesTr и labelsTr | false | true | false | |
2,781 | 2026-02-23T11:45:57.254000Z | 2026-02-23T11:45:57.254000Z | Lec. | В частности, каждому классу в поле labels соответствует уникальный числовой идентификатор, который используется для кодирования масок (например, 0 — фон, 1 — сердце, 2 — аорта, 3 — легочная артерия) | false | true | false | |
2,780 | 2026-02-23T11:45:55.164000Z | 2026-02-23T11:45:55.164000Z | Lec. | Файл описывает метаинформацию о наборе данных: количество классов, названия анатомических структур, количество обучающих пар, тип модальности (в данном случае — КТ) и структуру файлов | false | true | false | |
2,779 | 2026-02-23T11:45:53.247000Z | 2026-02-23T13:39:59.043000Z | Lec. | Для корректной работы с системой nnU-Net необходимо сформировать конфигурационный файл dataset.json, размещаемый в корневой директории датасета | Для корректной работы с системой nnU-Net необходимо сформировать конфигурационный файл dataset.json, размещаемый в корневом каталоге датасета. | false | true | true |
2,778 | 2026-02-23T11:45:51.391000Z | 2026-02-23T11:45:51.391000Z | Lec. | В зависимости от среза, на изображении отображается различное количество структур — от одной до трех; сегментационная модель обеспечивает корректную обработку в каждом случае | false | true | false | |
2,777 | 2026-02-23T11:45:49.444000Z | 2026-02-23T11:45:49.444000Z | Lec. | Кроме того, форма и положение структур варьируются у разных пациентов в зависимости от физиологических особенностей, положения тела во время сканирования, а также угла среза | false | true | false | |
2,776 | 2026-02-23T11:45:47.658000Z | 2026-02-23T13:42:42.753000Z | Lec. | В нижней части грудной клетки сердце постепенно выходит из поля зрения, и остается, например, только нисходящая часть аорты | В нижней части грудной клетки сердце постепенно уходит в область, и остается, например, только нисходящая часть аорты | false | true | true |
2,775 | 2026-02-23T11:45:45.819000Z | 2026-02-23T11:45:45.819000Z | Lec. | На срединных срезах — в проекции сердца — визуализируются как камеры сердца, так и отходящие от него сосуды | false | true | false | |
2,774 | 2026-02-23T11:45:43.937000Z | 2026-02-23T13:38:52.149000Z | Lec. | На верхних срезах грудной клетки, ближе к области дуги аорты, отчетливо видны элементы аорты, но сердце и легочная артерия еще не попадают в поле зрения | На верхних срезах грудной клетки ближе к области дуги аорты отчетливо видны элементы аорты, но сердце и легочная артерия еще не попадают в поле зрения. | false | true | true |
2,773 | 2026-02-23T11:45:42.082000Z | 2026-02-23T11:45:42.082000Z | Lec. | Различия в визуализации объясняются тем, что сегментируемые органы и сосуды расположены на разной высоте и имеют различный объем | false | true | false | |
2,772 | 2026-02-23T11:45:40.418000Z | 2026-02-23T11:45:40.418000Z | Lec. | Поскольку исходные данные представляют собой отдельные поперечные срезы компьютерной томографии грудной клетки, на каждом изображении визуализируется различное подмножество анатомических структур | false | true | false | |
2,771 | 2026-02-23T11:45:38.556000Z | 2026-02-23T13:35:36.535000Z | Lec. | Легочная артерия и ее ветви (PA) — в области бифуркации и основных ветвей | Легочная артерия и ее ветви (PA) — в области бифуркации аорты. | false | true | true |
2,770 | 2026-02-23T11:45:36.577000Z | 2026-02-23T11:45:36.578000Z | Lec. | Сердце / Миокард (COR) — мышечные стенки левого и правого желудочков; | false | true | false | |
2,769 | 2026-02-23T11:45:34.760000Z | 2026-02-23T18:27:38.808000Z | Lec. | Аорта (AO) — отдельный сосуд в переднем медиастинуме; | Аорта (AO) — отдельный сосуд в переднем средостечии. | false | true | true |
2,768 | 2026-02-23T11:45:32.773000Z | 2026-02-23T16:10:27.397000Z | Lec. | Типы анатомических структур в разметке: | Типы анатомических структур в разметке: | false | true | true |
2,767 | 2026-02-23T11:45:30.953000Z | 2026-02-23T17:29:23.535000Z | Lec. | В представленном набор данных присутствуют градации серого | В представленном наборе данных присутствуют различные градации серого цвета | false | true | true |
2,766 | 2026-02-23T11:45:29.332000Z | 2026-02-23T11:45:29.332000Z | Lec. | Каждая маска является бинарной матрицей, где белая область (значение 255) соответствует целевой структуре, а черный фон (значение 0) — фону | false | true | false | |
2,765 | 2026-02-23T11:45:27.528000Z | 2026-02-23T13:32:12.910000Z | Lec. | Маска миокарда | Маска миокарда. | false | true | true |
2,764 | 2026-02-23T11:45:25.966000Z | 2026-02-23T11:45:25.966000Z | Lec. | Маска легочной артерии | false | false | false | |
2,763 | 2026-02-23T11:45:24.243000Z | 2026-02-23T11:45:24.243000Z | Lec. | Маска аорты | false | true | false | |
2,762 | 2026-02-23T11:45:22.523000Z | 2026-02-23T13:27:29.837000Z | Lec. | Пример маски сегментации | Пример маски сегментации | false | true | true |
2,761 | 2026-02-23T11:45:20.357000Z | 2026-02-23T11:45:20.357000Z | Lec. | Пример исходного изображения из набора данных | false | true | false | |
2,760 | 2026-02-23T11:45:18.193000Z | 2026-02-23T11:45:18.193000Z | Lec. | PA — легочная артерия (Pulmonary Artery) (Рис. 6) | false | true | false | |
2,759 | 2026-02-23T11:45:15.996000Z | 2026-02-23T11:45:15.996000Z | Lec. | COR —миокард (Cor) (Рис. 7); | false | true | false | |
2,758 | 2026-02-23T11:45:14.198000Z | 2026-02-23T13:51:02.191000Z | Lec. | AO — аорта (Aorta) (Рис. 5); | AO — аорта (Aorta) (Рис. 5). | false | true | true |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.