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 |
|---|---|---|---|---|---|---|---|---|
14,157 | 2026-02-24T11:46:38.280000Z | 2026-02-24T11:46:38.280000Z | Lec. | Реализация главного окна | false | true | false | |
14,156 | 2026-02-24T11:46:36.821000Z | 2026-02-24T11:46:36.821000Z | Lec. | Массив строк | false | true | false | |
14,155 | 2026-02-24T11:46:35.379000Z | 2026-02-24T11:46:35.379000Z | Lec. | Пути к изображениям | false | true | false | |
14,154 | 2026-02-24T11:46:33.866000Z | 2026-02-24T11:46:33.866000Z | Lec. | Число с плавающей точкой | false | true | false | |
14,153 | 2026-02-24T11:46:32.410000Z | 2026-02-24T11:46:32.410000Z | Lec. | FOV по оси X (в см) | false | false | false | |
14,152 | 2026-02-24T11:46:30.885000Z | 2026-02-24T11:46:30.885000Z | Lec. | Строка (М или Ж) | false | false | false | |
14,151 | 2026-02-24T11:46:29.244000Z | 2026-02-24T11:46:29.244000Z | Lec. | Целое число | false | false | false | |
14,150 | 2026-02-24T11:46:27.628000Z | 2026-02-24T11:46:27.628000Z | Lec. | Название поля | false | false | false | |
14,149 | 2026-02-24T11:46:24.431000Z | 2026-02-24T11:46:24.431000Z | Lec. | Начальная структура базы данных | false | true | false | |
14,148 | 2026-02-24T11:46:22.491000Z | 2026-02-24T11:46:22.491000Z | Lec. | Таким образом, была обозначена структура базы данных, приведенная в таблице 19 | false | true | false | |
14,147 | 2026-02-24T11:46:20.863000Z | 2026-02-24T11:46:20.863000Z | Lec. | Так как модель поиска диаметров предсказывает размеры артерий в пикселях, то пользователь сам предоставляет масштаб изображения для перевода диаметров артерий в миллиметры | false | true | false | |
14,146 | 2026-02-24T11:46:19.082000Z | 2026-02-24T11:46:19.082000Z | Lec. | Для корректного определения патологии диагносту необходимо знать пол и возраст пациента, которые считаются анонимными | false | true | false | |
14,145 | 2026-02-24T11:46:17.272000Z | 2026-02-24T11:46:17.272000Z | Lec. | Так как приложение является несертифицированным с медицинской точки зрения, то сведения о пациентах предоставляются в анонимной форме | false | true | false | |
14,144 | 2026-02-24T11:46:15.391000Z | 2026-02-24T11:46:15.391000Z | Lec. | Для сохранения результатов анализа необходимо разработать структуру базы данных | false | true | false | |
14,143 | 2026-02-24T11:46:13.314000Z | 2026-02-24T11:46:13.314000Z | Lec. | Для реализации полноценного функционала, пользователю необходимо предоставить возможность заполнять данные о пациенте, загружать изображения и просматривать результаты работы моделей | false | true | false | |
14,142 | 2026-02-24T11:46:11.326000Z | 2026-02-24T11:46:11.326000Z | Lec. | Для разработки приложения необходимо обозначить структуру работы сервиса | false | true | false | |
14,141 | 2026-02-24T11:46:09.503000Z | 2026-02-24T11:46:09.503000Z | Lec. | Структура базы данных | false | true | false | |
14,140 | 2026-02-24T11:46:07.110000Z | 2026-02-24T11:46:07.110000Z | Lec. | Разработка приложения | false | true | false | |
14,139 | 2026-02-24T11:46:05.473000Z | 2026-02-24T11:46:05.473000Z | Lec. | Модель пошаговой сегментации была утверждена научным консультантом и кандидатом медицинских наук Мошкиным Андреем Сергеевичем | true | true | false | |
14,138 | 2026-02-24T11:46:03.822000Z | 2026-02-24T11:46:03.822000Z | Lec. | Следует отметить, что в примерно в одном случае из 600 позвоночные артерии на МРТ-изображениях не представляются формой круга в связи с заболеванием атеросклероза | false | true | false | |
14,137 | 2026-02-24T11:46:02.169000Z | 2026-02-24T11:46:02.169000Z | Lec. | Модель пошаговой сегментации удалось разработать на основе круглой формы позвоночных артерий на изображениях МРТ | false | true | false | |
14,136 | 2026-02-24T11:46:00.400000Z | 2026-02-24T11:46:00.400000Z | Lec. | Диаметр + идеальная позиция. 0.611. 0.964. 0.742. 0.595 | false | false | false | |
14,135 | 2026-02-24T11:45:58.565000Z | 2026-02-24T11:45:58.565000Z | Lec. | Оценка модели поиска диаметров с идеальными позициями | false | true | false | |
14,134 | 2026-02-24T11:45:57.021000Z | 2026-02-24T11:45:57.021000Z | Lec. | Для решения проблемы нахождения позиций при разработке приложения необходимо предоставить пользователю комфортный способ изменения позиций артерий | false | true | false | |
14,133 | 2026-02-24T11:45:55.427000Z | 2026-02-24T11:45:55.427000Z | Lec. | Стандартный вариант сегментационной модели не справляется с выполнением поставленной задачи по причине неспособности определения формы позвоночных артерий | false | true | false | |
14,132 | 2026-02-24T11:45:53.862000Z | 2026-02-24T11:45:53.862000Z | Lec. | Для последующей работы было принято решение использовать модель пошаговой сегментации в связи со стабильностью работы предоставленной модели | false | true | false | |
14,131 | 2026-02-24T11:45:52.320000Z | 2026-02-24T11:45:52.320000Z | Lec. | Оценка модели диаметр + позиция для пошаговой сегментации | false | false | false | |
14,130 | 2026-02-24T11:45:50.732000Z | 2026-02-24T11:45:50.732000Z | Lec. | Результаты оценки пошаговой сегментации приведены ниже в таблице | false | true | false | |
14,129 | 2026-02-24T11:45:49.116000Z | 2026-02-24T11:45:49.116000Z | Lec. | Для объединения результатов работы двух отдельных нейронных сетей было создано изображение черного цвета с разрешением, соответствующим разрешению масок – 512x512 | false | true | false | |
14,128 | 2026-02-24T11:45:47.462000Z | 2026-02-24T11:45:47.462000Z | Lec. | Для анализа результатов была реализована функция Евклидова расстояния:. где – истинные координаты центра артерии,. – предсказанные координаты центра артерии | false | true | false | |
14,127 | 2026-02-24T11:45:45.708000Z | 2026-02-24T11:45:45.708000Z | Lec. | Для обучения была выбрана архитектура ResNet101, в классификатор которой были внесены следующие изменения:. полносвязный слой со входом размером разрешения изображения и выходом 1024, а также ;. полносвязный со входом 1024, выходом 256 и ; | false | true | false | |
14,126 | 2026-02-24T11:45:43.817000Z | 2026-02-24T11:45:43.817000Z | Lec. | Реализация функции преобразования маски в координаты вида (x, y), где x, y – пиксели в диапазоне от 0 до 512 (разрешение изображений) | false | true | false | |
14,125 | 2026-02-24T11:45:42.291000Z | 2026-02-24T11:45:42.291000Z | Lec. | Из двух моделей была выбрана модель с фильтром NLM для дальнейшей работы по следующим причинам:. относительная ошибка ниже, чем у модели с фильтром Франги;. коэффициент вариации ниже, чем у модели с фильтром Франги;. метрики MAE и RMSE сопоставимы с фильтром Франги | false | true | false | |
14,124 | 2026-02-24T11:45:40.823000Z | 2026-02-24T11:45:40.823000Z | Lec. | Лучшими моделями являются NLM и Франги | false | true | false | |
14,123 | 2026-02-24T11:45:38.943000Z | 2026-02-24T11:45:38.943000Z | Lec. | Главная цель методики – улучшение обобщающей способности модели за счет повышения количества различных входных данных | false | true | false | |
14,122 | 2026-02-24T11:45:37.182000Z | 2026-02-24T11:45:37.182000Z | Lec. | Для искусственного расширения датасета часто используется аугментация – наполнение путем трансформации уже существующих изображений | false | true | false | |
14,121 | 2026-02-24T11:45:35.518000Z | 2026-02-24T11:45:35.518000Z | Lec. | Предоставленный факт обусловлен тем, что валидационная выборка состоит из 9 пар изображений-масок | false | true | false | |
14,120 | 2026-02-24T11:45:33.948000Z | 2026-02-24T11:45:33.948000Z | Lec. | Архитектура классификатора была изменена так, чтобы модель предсказывала диаметры двух позвоночных артерий:. полносвязный слой со входом размером разрешения изображения и выходом 2048, а также ;. полносвязный со входом 2048, выходом 256 и ;. линейный слой со входом 256 и выходом 2 (диаметры позвоночных артерий) | false | true | false | |
14,119 | 2026-02-24T11:45:32.082000Z | 2026-02-24T11:45:32.082000Z | Lec. | Реализация пошаговой сегментации путем зарисовки с правильными размерами и позициями | false | true | false | |
14,118 | 2026-02-24T11:45:30.437000Z | 2026-02-24T11:45:30.437000Z | Lec. | Прямой поиск диаметров артерий | false | true | false | |
14,117 | 2026-02-24T11:45:28.992000Z | 2026-02-24T11:45:28.992000Z | Lec. | Dice + BCE. 0.053. 0.0376. 0.093. 0.049 | false | false | false | |
14,116 | 2026-02-24T11:45:27.173000Z | 2026-02-24T11:45:27.173000Z | Lec. | Лучшей моделью является сочетание фильтра CurvatureFlow и функции потерь Dice + BCE со следующими показателями: | false | true | false | |
14,115 | 2026-02-24T11:45:25.564000Z | 2026-02-24T11:45:25.564000Z | Lec. | Также для оценки результатов использовались специфичные для задач сегментации раннее упомянутые метрики и | false | true | false | |
14,114 | 2026-02-24T11:45:23.720000Z | 2026-02-24T11:45:23.720000Z | Lec. | Для анализа результатов были выбраны метрики и [52], которые описаны следующими формулами:. где – истинное положительное предсказание,. – ложное положительное предсказание,. – ложное отрицательное предсказание | false | true | false | |
14,113 | 2026-02-24T11:45:22.044000Z | 2026-02-24T11:45:22.044000Z | Lec. | При обучении моделей использовался классический оптимизатор Adam [51] | false | true | false | |
14,112 | 2026-02-24T11:45:20.416000Z | 2026-02-24T11:45:20.416000Z | Lec. | При реализации используются подсортированные ошибки и субградиенты . не имеет простой формулы, но является реализуемой с помощью кода. [50] – гибридная функция потерь, объединяющая взвешенную кросс-энтропию и :. где – регулировщик вклада каждой функции потерь | false | true | false | |
14,111 | 2026-02-24T11:45:18.676000Z | 2026-02-24T11:45:18.676000Z | Lec. | Функция потерь измеряет насколько предсказанная область совпадает с истинной:. [46] – модифицированная версия , задачей которой является обучение модели на трудных примерах, что необходимо при работе с МРТ-изображениями:. где – предсказание модели,. – весовой коэффициент (для балансировки классов),. – фокусирующий п... | false | true | false | |
14,110 | 2026-02-24T11:45:16.386000Z | 2026-02-24T11:45:16.386000Z | 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 | |
14,109 | 2026-02-24T11:45:14.299000Z | 2026-02-24T11:45:14.299000Z | Lec. | Функция записывается следующим образом:. где – количество пар значений,. – действительное значение,. – предсказанное значение. [43] – функция потерь, сочетающая в себе сигмоиду и функцию потерь бинарной кросс-энтропии ( – Binary Cross Entropy). используется в основном для бинарной классификации | false | true | false | |
14,108 | 2026-02-24T11:45:12.431000Z | 2026-02-24T11:45:12.431000Z | Lec. | Для обучения модели под решение задачи сегментации, были выбраны 10 различных функций потерь:. (Mean Squared Error) [42] – функция среднеквадратичной ошибки между предсказанным и действительным значениями | false | true | false | |
14,107 | 2026-02-24T11:45:10.880000Z | 2026-02-24T11:45:10.880000Z | Lec. | Для качественного обучения модели также необходимо выбрать правильные функции потерь [41] | false | true | false | |
14,106 | 2026-02-24T11:45:09.247000Z | 2026-02-24T11:45:09.247000Z | Lec. | В результате структура первого входного была изменена под работу с одноканальными изображениями;. выходной слой классификатора был модифицирован для корректной работы с изображениями разрешения 512x512 | false | true | false | |
14,105 | 2026-02-24T11:45:07.504000Z | 2026-02-24T11:45:07.504000Z | Lec. | В архитектуру были также внесены технические изменения для корректного обучения:. при обучении присутствует необходимость работы с одноканальными (черно-белыми) изображениями, так как некоторые фильтры не способны работать с классическими трехканальными изображениями | false | true | false | |
14,104 | 2026-02-24T11:45:05.738000Z | 2026-02-24T11:45:05.738000Z | Lec. | Для обучения на изображениях была выбрана архитектура полносвязной модели ResNet101 [40], идеально подходящая для решения задач сегментации | false | true | false | |
14,103 | 2026-02-24T11:45:03.906000Z | 2026-02-24T11:45:03.906000Z | Lec. | Обучение модели | false | true | false | |
14,102 | 2026-02-24T11:45:01.874000Z | 2026-02-24T11:45:01.874000Z | Lec. | Изображения, обработанные фильтрами NLM и Франги также были сохранены как отдельные датасеты | false | true | false | |
14,101 | 2026-02-24T11:45:00.315000Z | 2026-02-24T11:45:00.315000Z | Lec. | Фильтр Frangi – анализатор сосудистых структур в изображении | false | false | false | |
14,100 | 2026-02-24T11:44:58.577000Z | 2026-02-24T11:44:58.577000Z | 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 | |
14,099 | 2026-02-24T11:44:56.786000Z | 2026-02-24T11:44:56.786000Z | Lec. | Работа фильтра описывается следующим образом:. берется патч (окно) вокруг пикселя ;. в широком радиусе обозначаются другие патчи, похожие на окно вокруг ;. вычисляются веса на основе сходства найденных патчей;. значения пикселей взвешиваются и вычисляется новое значение пикселя ; | false | true | false | |
14,098 | 2026-02-24T11:44:55.155000Z | 2026-02-24T11:44:55.155000Z | Lec. | Основная идея Non-local means (NLM) фильтра заключается в учете похожих объектов, даже несмотря на то, что они потенциально находятся далеко друг от друга | false | true | false | |
14,097 | 2026-02-24T11:44:53.525000Z | 2026-02-24T11:44:53.525000Z | Lec. | Фильтр CurvatureFlow описывается следующей формулой:. где – изображение в момент времени ,. – градиент изображения,. – кривизна уровня яркости | false | true | false | |
14,096 | 2026-02-24T11:44:51.968000Z | 2026-02-24T11:44:51.968000Z | Lec. | Поверхность течет в направлении, уменьшающем ее кривизну – отсюда и название CurvatureFlow (течение по кривизне) | false | true | false | |
14,095 | 2026-02-24T11:44:50.146000Z | 2026-02-24T11:44:50.146000Z | Lec. | Изображение рассматривается как поверхность в трехмерном пространстве, где яркость пикселя – высота | false | true | false | |
14,094 | 2026-02-24T11:44:48.427000Z | 2026-02-24T11:44:48.427000Z | Lec. | CurvatureFlow (CF) фильтр – тип фильтра, основанный на эволюции кривизны поверхности и сохраняющий важные геометрические особенности | false | true | false | |
14,093 | 2026-02-24T11:44:46.661000Z | 2026-02-24T11:44:46.661000Z | Lec. | Frangi filter [10] | false | false | false | |
14,092 | 2026-02-24T11:44:44.984000Z | 2026-02-24T11:44:44.984000Z | Lec. | Non-local means filter [39]; | false | true | false | |
14,091 | 2026-02-24T11:44:43.243000Z | 2026-02-24T11:44:43.243000Z | Lec. | CurvatureFlow filter [38]; | false | true | false | |
14,090 | 2026-02-24T11:44:41.734000Z | 2026-02-24T11:44:41.734000Z | Lec. | В основные задачи предобработки изображений входит:. удаление шумов;. повышение контрастности и четкости;. приведение изображений к единому формату и размеру;. выделение ключевых признаков (контуры, границы и т.д.);. снижение размерности (например, переход в градации серого) | false | false | false | |
14,089 | 2026-02-24T11:44:39.846000Z | 2026-02-24T11:44:39.846000Z | Lec. | Предобработка изображений – этап подготовки изображения перед его анализом или подачей в алгоритм машинного обучения, компьютерного зрения или распознавания | false | true | false | |
14,088 | 2026-02-24T11:44:38.062000Z | 2026-02-24T11:44:38.062000Z | Lec. | Для выполнения одной из главных целей, необходимо обозначить этапы решения и задачи:. выполнение предобработки изображений;. решение задачи сегментации позвоночных артерий;. преобразование результатов сегментации в размеры позвоночных артерий;. анализ размеров позвоночных артерий на патологии | false | false | false | |
14,087 | 2026-02-24T11:44:36.137000Z | 2026-02-24T11:44:36.137000Z | Lec. | После консультации с Мошкиным Андреем Сергеевичем было принято решение работать только с изображениями T2 категории по следующим причинам:. количество T2-взвешенных изображений превосходит количество T1-взвешенных изображений (67 против 30); | false | true | false | |
14,086 | 2026-02-24T11:44:34.493000Z | 2026-02-24T11:44:34.493000Z | Lec. | Они характеризуются двумя типами:. на МРТ-изображениях отсутствуют позвоночные артерии;. позиция и форма позвоночных артерий кардинально отличаются от среднестатистических показателей по датасету. а б | false | true | false | |
14,085 | 2026-02-24T11:44:32.516000Z | 2026-02-24T11:44:32.516000Z | Lec. | Также к каждому изображению приложена маска, на которой обозначены размеры и позиции позвоночных артерий. а б | false | true | false | |
14,084 | 2026-02-24T11:44:30.726000Z | 2026-02-24T11:44:30.726000Z | Lec. | На рисунке 9 продемонстрированы оба типа МРТ-изображений из датасета | false | true | false | |
14,083 | 2026-02-24T11:44:29.050000Z | 2026-02-24T11:44:29.050000Z | Lec. | Вода и спинномозговая жидкость выделены ярко, мышцы и кости подсвечиваются темным цветом; | false | true | false | |
14,082 | 2026-02-24T11:44:27.394000Z | 2026-02-24T11:44:27.394000Z | Lec. | T2-взвешнные – основаны на времени поперечной релаксации (другими словами, на времени затухания поперечной намагниченности тканей) | false | true | false | |
14,081 | 2026-02-24T11:44:25.669000Z | 2026-02-24T11:44:25.669000Z | Lec. | Жировая ткань ярко выделена, вода и спинномозговая жидкость подсвечиваются темным цветом; | false | true | false | |
14,080 | 2026-02-24T11:44:24.101000Z | 2026-02-24T11:44:24.101000Z | Lec. | T1-взвешенные – основаны на времени продольной релаксации, т.е. на времени восстановления намагниченности тканей вдоль основного магнитного поля | false | true | false | |
14,079 | 2026-02-24T11:44:22.336000Z | 2026-02-24T11:44:22.336000Z | Lec. | Работа с датасетом и обозначение задач | false | true | false | |
14,078 | 2026-02-24T11:44:20.126000Z | 2026-02-24T11:44:20.126000Z | Lec. | Нейросетевой блок | false | false | false | |
14,077 | 2026-02-24T11:44:18.612000Z | 2026-02-24T11:44:18.612000Z | Lec. | Несмотря на то, что статья ориентирована на задачи сегментации белого вещества, многие из рассмотренных методов адаптируемы для задач сегментации сосудов | false | true | false | |
14,076 | 2026-02-24T11:44:16.846000Z | 2026-02-24T11:44:16.846000Z | Lec. | В данной статье приведен подробный анализ результатов сегментации с помощью коэффициента Дайса [27] | false | true | false | |
14,075 | 2026-02-24T11:44:14.623000Z | 2026-02-24T11:44:14.623000Z | Lec. | В работе [36] предложен метод сегментации белого вещества головного мозга с использованием метода случайного блуждения [37] | false | true | false | |
14,074 | 2026-02-24T11:44:12.850000Z | 2026-02-24T11:44:12.850000Z | Lec. | Сравнение Region Growing с традиционными методами [35] | false | true | false | |
14,073 | 2026-02-24T11:44:11.145000Z | 2026-02-24T11:44:11.145000Z | Lec. | Результат исследования, зафиксированный в таблице 2, показал, что наращивание региона справляется с задачей сегментации лучше, чем традиционные методы | false | true | false | |
14,072 | 2026-02-24T11:44:09.268000Z | 2026-02-24T11:44:09.268000Z | Lec. | Его суть заключается в вычислении координат соседнего пикселя и проверке принадлежности пикселя к рассматриваемому сегментированному объекту | false | true | false | |
14,071 | 2026-02-24T11:44:07.538000Z | 2026-02-24T11:44:07.538000Z | Lec. | В работе [35] обсуждается использование метода наращивания региона (Region Growing) | false | true | false | |
14,070 | 2026-02-24T11:44:05.873000Z | 2026-02-24T11:44:05.873000Z | Lec. | Предложенный метод позволяет эффективно выделять объекты на изображениях, особенно в случаях, когда границы объектов нечеткие | false | true | false | |
14,069 | 2026-02-24T11:44:04.306000Z | 2026-02-24T11:44:04.306000Z | Lec. | Метод уровня множеств основан на решении уравнения Эйлера-Лагранжа [34], минимизирующего энергию контура:. где – функционал, зависящий от изображения и геометрии сегментируемого объекта | false | true | false | |
14,068 | 2026-02-24T11:44:02.683000Z | 2026-02-24T11:44:02.683000Z | Lec. | Предлагаемое решение состоит в использовании методов, основанных на уравнении уровня набора и позволяющих точно сегментировать сложные объекты с учетом их формы | false | true | false | |
14,067 | 2026-02-24T11:44:01.077000Z | 2026-02-24T11:44:01.077000Z | Lec. | В сравнении с одношаговыми методами, особенно в сложных случаях, улучшить качество сегментации позволяют комбинированные подходы, сочетающие в себе традиционные методы и глубокое обучение | false | true | false | |
14,066 | 2026-02-24T11:43:59.305000Z | 2026-02-24T11:43:59.305000Z | Lec. | Современные подходы к решению задачи сегментации | false | true | false | |
14,065 | 2026-02-24T11:43:57.498000Z | 2026-02-24T11:43:57.498000Z | Lec. | Сравнение методов продемонстрировано в таблице 1 | false | true | false | |
14,064 | 2026-02-24T11:43:55.855000Z | 2026-02-24T11:43:55.855000Z | Lec. | Предложенная архитектура показала высокий результат в задаче сегментации яичников в сравнении с другими моделями | false | true | false | |
14,063 | 2026-02-24T11:43:54.101000Z | 2026-02-24T11:43:54.101000Z | Lec. | Суть данной архитектуры заключается в добавлении в классическую U-Net гармонического блока внимания, который описывается следующей формулой:. где – сигмоидная функция активации [23],. – веса двух гармонических сверточных слоев [24],. – функция нелинейности [25],. – входные признаки | false | true | false | |
14,062 | 2026-02-24T11:43:51.992000Z | 2026-02-24T11:43:51.992000Z | Lec. | Предоставленный подход улучшил качество сегментации в сравнении с классической архитектурой U-Net | false | true | false | |
14,061 | 2026-02-24T11:43:50.254000Z | 2026-02-24T11:43:50.254000Z | Lec. | Дополнительные блоки внимания позволяют модели сосредоточиться на важных при обучении областях изображения, таких как границы опухоли и фолликулы | false | true | false | |
14,060 | 2026-02-24T11:43:48.404000Z | 2026-02-24T11:43:48.404000Z | Lec. | Так, авторы работ [20], [13] и [21] предложили добавить дополнительные блоки внимания (attention) [22] в декодирующую часть сети | false | true | false | |
14,059 | 2026-02-24T11:43:46.548000Z | 2026-02-24T11:43:46.548000Z | Lec. | Также существуют модифицированные архитектуры стандартной U-Net | false | true | false | |
14,058 | 2026-02-24T11:43:44.938000Z | 2026-02-24T11:43:44.938000Z | Lec. | Использование множества атласов позволяет точнее выделять тонкие структуры сосудов на фоне окружающих тканей | false | true | false |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.