id int64 18 21.1k | created_at timestamp[ns, tz=UTC]date 2026-02-23 07:30:20 2026-02-24 16:54:39 | updated_at timestamp[ns, tz=UTC]date 2026-02-23 08:08:14 2026-02-24 16:54:39 | 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 |
|---|---|---|---|---|---|---|---|---|
4,507 | 2026-02-23T12:37:02.033000Z | 2026-02-23T13:46:38.468000Z | Lec. | Перед внедрением модели в клиническую практику необходимо провести дополнительные исследования, направленные на оценку ее надежности и адаптации к реальным условиям | Перед внедрением модели в клиническую практику необходимо провести дополнительные исследования, направленные на оценку ее надежности и адаптацию к реальным условиям | false | true | true |
4,506 | 2026-02-23T12:37:00.093000Z | 2026-02-23T13:25:03.662000Z | Lec. | В случае медицинской сегментации важно, чтобы метрику было легко проинтерпретировать, поэтому в исследовании используется метрика Pseudo Dice: | В случае медицинской сегментации важно, чтобы метрики было легко проинтерпретировать, поэтому в исследовании используется метрика Pseudo Dice. | false | true | true |
4,505 | 2026-02-23T12:36:58.292000Z | 2026-02-23T12:36:58.292000Z | Lec. | В качестве функции потерь в модели выбрана комбинация Dice и кросс-энтропии:. = 1 - | false | true | false | |
4,504 | 2026-02-23T12:36:56.430000Z | 2026-02-23T13:40:47.605000Z | Lec. | Важным аспектом при обучении модели является выбор функции потерь, поскольку от нее зависит, насколько качественно алгоритм оптимизирует веса | Важным аспектом при обучении модели является выбор функции потерь, поскольку от нее зависит, насколько качественно алгоритм оптимизирует веса. | false | true | true |
4,503 | 2026-02-23T12:36:54.876000Z | 2026-02-23T12:36:54.876000Z | Lec. | Пример команды запуска. | false | true | false | |
4,502 | 2026-02-23T12:36:53.130000Z | 2026-02-23T16:49:59.207000Z | Lec. | Точкой входа в приложение является python-скрипт web/streamlit_app.py, поэтому для запуска системы необходимо запустить его через streamlit | Точка входа в приложение является python-скриптом web/streamlit_app.py, поэтому для запуска системы необходимо запустить его через команду streamlit. | false | true | true |
4,501 | 2026-02-23T12:36:51.571000Z | 2026-02-23T12:36:51.571000Z | Lec. | Batch-скрипт | false | false | false | |
4,500 | 2026-02-23T12:36:49.887000Z | 2026-02-23T12:36:49.887000Z | Lec. | Shell-скрипт | true | false | false | |
4,499 | 2026-02-23T12:36:40.579000Z | 2026-02-23T13:30:03.915000Z | Lec. | В них происходит установка зависимостей Python и экспорт переменных окружения для nnU-Net | В них происходит установка зависимостей Python и экспорт переменных окружения для nnU-Net. | false | true | true |
4,498 | 2026-02-23T12:36:39.072000Z | 2026-02-23T12:36:39.072000Z | Lec. | Для ОС Linux разработан shell-скрипт (Рис. 6), а для Windows - batch-файл (Рис. 7) | false | true | false | |
4,497 | 2026-02-23T12:36:37.107000Z | 2026-02-23T12:36:37.107000Z | Lec. | Для поставки приложения поставщику разработаны скрипты для автоматизации установки зависимостей | false | true | false | |
4,496 | 2026-02-23T12:36:35.567000Z | 2026-02-23T12:36:35.567000Z | Lec. | Перед началом работы необходимо загрузить модель, которая занимает 268 мб памяти (Рис. 5) | false | true | false | |
4,495 | 2026-02-23T12:36:33.571000Z | 2026-02-23T12:36:33.571000Z | Lec. | Аргументы:. image_3d (numpy.ndarray): массив исходного изображения. mask_3d (numpy.ndarray): массив маски. pid (str): идентификатор пациента | false | false | false | |
4,494 | 2026-02-23T12:36:31.734000Z | 2026-02-23T12:36:31.734000Z | Lec. | Функция generate_stats_text генерирует строку статистики (среднее и медиана) для каждого из классов | true | true | false | |
4,493 | 2026-02-23T12:36:30.263000Z | 2026-02-23T12:36:30.263000Z | Lec. | Аргументы:. pid (str): идентификатор пациента. pairs_dict (dict): словарь, где ключ - pid, значение - кортеж. intervals (list of tuple): список интервалов интенсивностей для таблицы | false | true | false | |
4,492 | 2026-02-23T12:36:28.459000Z | 2026-02-23T16:27:55.558000Z | Lec. | Функция save_report_to_pdf генерирует PDF-отчет для выбранного пациента | Функция save_report_to_pdf генерирует PDF-отчет для выбранного пациента. | false | true | true |
4,491 | 2026-02-23T12:36:26.897000Z | 2026-02-23T12:36:26.897000Z | Lec. | Аргументы:. image_3d (numpy.ndarray): массив исходного изображения. mask_3d (numpy.ndarray): массив маски. intervals (list of tuple): список кортежей (low, high) для каждого интервала интенсивности. class_names (list of str): имена классов | false | false | false | |
4,490 | 2026-02-23T12:36:25.263000Z | 2026-02-23T12:36:25.263000Z | Lec. | Функция build_density_table cоздает HTML-таблицу с процентным распределением интенсивностей по заданным интервалам для каждого класса и для всех пикселей (mask != 0) | false | true | false | |
4,489 | 2026-02-23T12:36:23.683000Z | 2026-02-23T15:41:40.584000Z | Lec. | В ней реализованы кнопки загрузки изображений и запуска предсказания, а также автоматическая визуализация сегментированных участков, которая включает в себя кнопки построения гистограммы, карты и таблицы плотности и генерацию отчета в формате PDF | В ней реализованы кнопки загрузки изображений и запуска предсказания, а также автоматическая визуализация сегментированных участков, которая включает в себя кнопки построения гистограммы, карты и таблицы плотности и генерацию отчета в формате PDF. | false | true | true |
4,488 | 2026-02-23T12:36:21.943000Z | 2026-02-23T13:45:53.733000Z | Lec. | Функция main определяет главное окно веб интерфейса | Функция main определяет главное окно веб-интерфейса. | false | true | true |
4,487 | 2026-02-23T12:36:20.418000Z | 2026-02-23T12:36:20.418000Z | Lec. | Аргументы:. img_slice_2d (numpy.ndarray): 2D массив исходного изображения. mask_slice_2d (numpy.ndarray): 2D массив маски | false | false | false | |
4,486 | 2026-02-23T12:36:18.714000Z | 2026-02-23T13:37:58.527000Z | Lec. | Класс MainWindow определяет главное окно приложения для запуска инференса и визуализации результатов сегментации | Класс MainWindow определяет главное окно приложения для запуска инференции и визуализации результатов сегментации | false | true | true |
4,485 | 2026-02-23T12:36:17.151000Z | 2026-02-23T12:36:17.151000Z | Lec. | Функция make_density_map_slice создает карту плотности: на месте, где маска не равна 0, выводится цветовая карта, а фон отображается в градациях серого | false | true | false | |
4,484 | 2026-02-23T12:36:15.602000Z | 2026-02-23T12:36:15.602000Z | Lec. | Аргументы:. img_slice_2d (numpy.ndarray): 2D массив исходного изображения. mask_slice_2d (numpy.ndarray): 2D массив маски (значения классов). class_checkboxes (dict): словарь с ключами классов и булевыми значениями, определяющими, включён ли класс | false | false | false | |
4,483 | 2026-02-23T12:36:13.869000Z | 2026-02-23T17:05:55.829000Z | Lec. | Функция overlay_slice выполняет наложение маски на grayscale-срез | Функция overlay_slice выполняет наложение маски на grayscale срез | false | true | true |
4,482 | 2026-02-23T12:36:12.385000Z | 2026-02-23T17:43:41.199000Z | Lec. | Функция load_nii_as_3d_int загружает NIfTI-файл и возвращает его данные в формате int32 | Функция load_nii_as_3d_int() загружает NIfTI-файл и возвращает его данные в формате int32. | false | true | true |
4,481 | 2026-02-23T12:36:10.885000Z | 2026-02-23T12:36:10.885000Z | Lec. | Аргументы:. path_nii (str): путь к NIfTI файлу | false | true | false | |
4,480 | 2026-02-23T12:36:09.009000Z | 2026-02-23T13:35:44.205000Z | Lec. | Функция load_nii_as_3d_uint8 загружает NIfTI-файл и возвращает его данные в формате uint8 | Функция load_nii_as_3d_uint8() загружает NIfTI-файл и возвращает его данные в формате uint8 | false | true | true |
4,479 | 2026-02-23T12:36:07.507000Z | 2026-02-23T12:36:07.507000Z | Lec. | Аргументы:. input_dir (str): путь к директории, содержащей файлы формата patient_XXX_0000.nii.gz. output_dir (str): путь, куда будут записаны результаты инференса. dataset_id (str): идентификатор набора данных (по умолчанию "1"). config (str): конфигурация модели. device (str): устройство для инференса ("cpu" или "cuda:0"). checkpoint (str): имя файла чекпоинта (по умолчанию "checkpoint_best.pth"). fold (str): номер fold (по умолчанию "4") | false | false | false | |
4,478 | 2026-02-23T12:36:05.671000Z | 2026-02-23T13:38:13.592000Z | Lec. | Функция run_inference запускает команду nnUNetv2_predict для выполнения инференса | Функция run_inference запускает команду nnUNetv2_predict для выполнения инференса | false | true | true |
4,477 | 2026-02-23T12:36:04.079000Z | 2026-02-23T12:36:04.079000Z | Lec. | Результаты и логи обучения находятся в директории nnUNet_results | false | true | false | |
4,476 | 2026-02-23T12:36:02.560000Z | 2026-02-23T12:36:02.560000Z | Lec. | Пример команды для запуска обучения | false | true | false | |
4,475 | 2026-02-23T12:36:00.574000Z | 2026-02-23T12:36:00.574000Z | Lec. | Для получения дополнительной информации о команде необходимо запустить ее с параметром -h | false | true | false | |
4,474 | 2026-02-23T12:35:58.982000Z | 2026-02-23T13:33:36.936000Z | Lec. | Автоматическое сохранение чекпоинтов происходит каждые 50 эпох | Автоматическое сохранение чекпоинтов происходит каждые 50 эпох. | false | true | true |
4,473 | 2026-02-23T12:35:57.255000Z | 2026-02-23T12:35:57.255000Z | Lec. | Обучение следует производить на CPU, GPU и MPS | false | false | false | |
4,472 | 2026-02-23T12:35:55.722000Z | 2026-02-23T12:35:55.722000Z | Lec. | Чтобы продолжить прерванное обучение, необходимо добавить флаг --c | false | true | false | |
4,471 | 2026-02-23T12:35:54.227000Z | 2026-02-23T12:35:54.227000Z | Lec. | Обучение модели запускается с помощью команды nnUNetv2_train | false | false | false | |
4,470 | 2026-02-23T12:35:52.417000Z | 2026-02-23T12:35:52.417000Z | Lec. | Команда для запуска предобработки | false | true | false | |
4,469 | 2026-02-23T12:35:50.636000Z | 2026-02-23T12:35:50.636000Z | Lec. | Рекомендуется использовать параметр verify_dataset_integrity при первом запуске команды, чтобы проверить наличие распространенных ошибок | false | true | false | |
4,468 | 2026-02-23T12:35:48.718000Z | 2026-02-23T12:35:48.718000Z | Lec. | Чтобы запустить конвейер предобработки данных необходимо воспользоваться консольной командой nnUNetv2_plan_and_preprocess (Рис. 3), где DATASET_ID - идентификатор датасета в nnUNet_raw | false | true | false | |
4,467 | 2026-02-23T12:35:46.753000Z | 2026-02-23T12:35:46.753000Z | Lec. | Для обучения модели сегментации использовался фреймворк nnU-Net | false | true | false | |
4,466 | 2026-02-23T12:35:44.738000Z | 2026-02-23T13:43:10.853000Z | Lec. | Названия тренировочных снимков КТ имеют формат «patient{num}_0000.nii.gz», а маски для них - «patient{num}.nii.gz», где num - порядковый номер изображения | Названия тренировочных снимков КТ имеют формат «patient_{num}_0000.nii.gz», а маски для них - «patient_{num}.nii.gz», где num — порядковый номер изображения. | false | true | true |
4,465 | 2026-02-23T12:35:42.999000Z | 2026-02-23T12:35:42.999000Z | Lec. | Пример заполнения dataset.json | false | true | false | |
4,464 | 2026-02-23T12:35:40.556000Z | 2026-02-23T12:35:40.556000Z | Lec. | Пример структуры директорий датасета | false | false | false | |
4,463 | 2026-02-23T12:35:38.594000Z | 2026-02-23T16:55:45.004000Z | Lec. | В файле dataset.json содержатся метаданные датасета (Рис. 2) | В файле dataset.json содержатся метаданные датасета. (Рис. 2) | false | true | true |
4,462 | 2026-02-23T12:35:36.868000Z | 2026-02-23T12:35:36.868000Z | Lec. | Каждый отдельный набор данных хранится в 3 директориях: imagesTr (снимки КТ, используемые для обучения модели), imagesTs (опционально, тестовые снимки КТ без разметки), labelsTr (карты сегментации для снимков из imagesTr) (Рис. 1) | false | true | false | |
4,461 | 2026-02-23T12:35:35.186000Z | 2026-02-23T16:51:55.843000Z | Lec. | Названия дочерних директорий задаются в формате «Dataset{num}_{name}», где num - порядковый номер датасета, name - его название | Названия дочерних директорий задаются в формате «Dataset_{num}_{name}», где num — порядковый номер датасета, name — его название. | false | true | true |
4,460 | 2026-02-23T12:35:33.668000Z | 2026-02-23T13:51:12.847000Z | Lec. | Все датасеты должны располагаться в директории nnUNet_raw, путь к которой необходимо определить как переменную среды | Все датасеты должны располагаться в директории nnUNet_raw. Путь к ней необходимо определить как переменную среды. | false | true | true |
4,459 | 2026-02-23T12:35:32.047000Z | 2026-02-23T12:35:32.047000Z | Lec. | Датасет состоит из 3-ех компонентов: исходные изображения, маски сегментации и файл в формате JSON, содержащий метаданные | false | true | false | |
4,458 | 2026-02-23T12:35:30.498000Z | 2026-02-23T12:35:30.498000Z | Lec. | Если не задан, сохраняется тип data.dtype | false | true | false | |
4,457 | 2026-02-23T12:35:29.014000Z | 2026-02-23T12:35:29.014000Z | Lec. | Аргументы:. data (np.ndarray): исходные данные. new_shape (Union[Tuple[float], List[float], np.ndarray]): целевая форма. s_seg (bool): указывает, является ли входной массив картой сегментации. dtype_out: Желаемый тип данных на выходе | false | false | false | |
4,456 | 2026-02-23T12:35:27.184000Z | 2026-02-23T12:35:27.184000Z | Lec. | Функция resample_data_or_seg выполняет ресемплинг массива до заданной формы | false | true | false | |
4,455 | 2026-02-23T12:35:25.696000Z | 2026-02-23T12:35:25.696000Z | Lec. | Если None, решение принимается автоматически. current_spacing (Union[Tuple[int], List[int], np.ndarray]):): текущий шаг вокселей по каждой оси. new_spacing (Union[Tuple[int], List[int], np.ndarray]):): желаемый шаг вокселей по каждой оси. separate_z_anisotropy_threshold (float): Порог анизотропии | false | false | false | |
4,454 | 2026-02-23T12:35:24.086000Z | 2026-02-23T12:35:24.086000Z | Lec. | Аргументы:. force_separate_z (bool или None): принудительно включить (True) или выключить (False) отдельный ресемплинг вдоль анизотропной оси | false | false | false | |
4,453 | 2026-02-23T12:35:22.335000Z | 2026-02-23T12:35:22.335000Z | Lec. | Функция determine_do_sep_z_and_axis определяет, выполнять ли отдельный ресемплинг вдоль оси с анизотропией и, если да, возвращает индекс оси | false | true | false | |
4,452 | 2026-02-23T12:35:20.832000Z | 2026-02-23T12:35:20.832000Z | Lec. | Аргументы:. old_shape (Union[Tuple[int], List[int], np.ndarray]): исходная форма. old_spacing (Union[Tuple[float], List[float], np.ndarray]): исходный размер вокселя по каждой оси. new_spacing (Union[Tuple[float], List[float], np.ndarray]): желаемый размер вокселя по каждой оси | false | false | false | |
4,451 | 2026-02-23T12:35:19.326000Z | 2026-02-23T12:35:19.326000Z | Lec. | Функция compute_new_shape вычисляет новую форму исходя из старого шага, нового шага и старой формы | true | true | false | |
4,450 | 2026-02-23T12:35:17.462000Z | 2026-02-23T12:35:17.462000Z | Lec. | Аргументы:. new_spacing (Union[Tuple[float], List[float], np.ndarray]): новый шаг по каждой оси | false | false | false | |
4,449 | 2026-02-23T12:35:15.311000Z | 2026-02-23T12:35:15.311000Z | Lec. | Возвращает индексы осей, для которых max(new_spacing) / new_spacing[axis] == 1 | true | true | false | |
4,448 | 2026-02-23T12:35:13.685000Z | 2026-02-23T12:35:13.685000Z | Lec. | Функция get_lowres_axis определяет, какая ось является «низкочастотной» (т.е. с максимальным шагом) | false | true | false | |
4,447 | 2026-02-23T12:35:12.099000Z | 2026-02-23T17:40:29.592000Z | Lec. | По умолчанию используется ANISO_THRESHOLD | По умолчанию используется порог ANISO_THRESHOLD. | false | true | true |
4,446 | 2026-02-23T12:35:09.669000Z | 2026-02-23T12:35:09.669000Z | Lec. | Аргументы:. spacing (Union[Tuple[float], List[float], np.ndarray]): шаги (spacing) вдоль каждой из осей, например (spacing_x, spacing_y, spacing_z). anisotropy_threshold (float): порог, при превышении которого считается, что данные анизотропны | false | false | false | |
4,445 | 2026-02-23T12:35:07.742000Z | 2026-02-23T12:35:07.742000Z | Lec. | Если да, функция возвращает True, указывая, что данные анизотропны и требуют особого подхода к ресемплингу вдоль оси с крупным шагом | true | true | false | |
4,444 | 2026-02-23T12:35:06.225000Z | 2026-02-23T17:23:43.625000Z | Lec. | Функция get_do_separate_z проверяет, превышает ли отношение между максимальным и минимальным шагом заданный порог анизотропии anisotropy_threshold | Функция get_do_separate_z проверяет, превышает ли отношение между максимальным и минимальным шагом заданный порог анизотропии anisotropyThreshold | false | true | true |
4,443 | 2026-02-23T12:35:04.719000Z | 2026-02-23T17:34:01.072000Z | Lec. | Методы:. run: абстрактный метод, в котором реализуется логика нормализации | Методы:. run: абстрактный метод, в котором реализуется логика нормализации. | false | true | true |
4,442 | 2026-02-23T12:35:03.062000Z | 2026-02-23T12:35:03.062000Z | Lec. | Наследуется от mageNormalization | false | false | false | |
4,441 | 2026-02-23T12:35:01.596000Z | 2026-02-23T12:35:01.596000Z | Lec. | Использует заранее вычисленные статистические свойства (из intensityproperties), такие как среднее, стандартное отклонение и перцентили, для обрезки и последующей нормализации | false | true | false | |
4,440 | 2026-02-23T12:34:59.893000Z | 2026-02-23T13:35:07.379000Z | Lec. | Класс CTNormalization определяет специализированную нормализацию для КТ-изображений | Класс CTNormalization определяет специализированную нормализацию для КТ-изображений. | false | true | true |
4,439 | 2026-02-23T12:34:58.250000Z | 2026-02-23T12:34:58.250000Z | Lec. | Аргументы:. image (np.ndarray): исходное изображение. seg (np.ndarray, optional): маска | false | true | false | |
4,438 | 2026-02-23T12:34:56.558000Z | 2026-02-23T16:05:46.616000Z | Lec. | Возвращает np.ndarray - нормализованное изображение | Возвращает np.ndarray - нормализованное изображение. Вернуть нормализованное изображение. | false | true | true |
4,437 | 2026-02-23T12:34:55.036000Z | 2026-02-23T12:34:55.036000Z | Lec. | Если True, будут учитываться только пиксели, соответствующие маске (например, seg >= 0). intensityproperties (dict): Словарь со статистическими характеристиками данных. target_dtype (Type[number]): Целевой тип данных (например, np.float32) для результирующего изображения. run: абстрактный метод, в котором реализуется логика нормализации | false | true | false | |
4,436 | 2026-02-23T12:34:53.398000Z | 2026-02-23T13:42:40.588000Z | Lec. | Аргументы:. use_mask_for_norm (bool, optional): определяет, использовать ли маску (обычно сегментацию) при вычислении статистики для нормализации | Аргументы:. use_mask_for_normalization (bool, optional): определяет, использовать ли маску (обычно сегментацию) при вычислении статистики для нормализации | false | true | true |
4,435 | 2026-02-23T12:34:51.463000Z | 2026-02-23T17:28:36.969000Z | Lec. | Методы:. __init__: иницилизация класса | Методы: __init__: инициализации класса | false | true | true |
4,434 | 2026-02-23T12:34:49.787000Z | 2026-02-23T13:25:11.947000Z | Lec. | Содержит абстрактный метод run(), переопределяемый в классах-наследниках | Содержит абстрактный метод run(), который переопределяется в классах-наследниках | false | true | true |
4,433 | 2026-02-23T12:34:48.299000Z | 2026-02-23T12:34:48.299000Z | Lec. | Класс ImageNormalization определяет общие параметры и структуру для всех методов нормализации | false | true | false | |
4,432 | 2026-02-23T12:34:46.707000Z | 2026-02-23T13:24:58.146000Z | Lec. | Если не передан, создаётся новый массив сегментации. nonzero_label (int, по умолчанию = -1): метка, которая присваивается пикселям за пределами ненулевой области (то есть там, где seg == 0 и при этом пиксель не принадлежит ненулевой маске) | Если не передан, создаётся новый массив сегментации. nonzero_label (int, по умолчанию = -1): метка, которая присваивается пикселям за пределами ненулевой области (то есть там, где seg == 0 и при этом пиксель не принадлежит ненулевой маске). | false | true | true |
4,431 | 2026-02-23T12:34:44.996000Z | 2026-02-23T12:34:44.996000Z | Lec. | Аргументы:. data (np.ndarray): исходный массив данных. seg (np.ndarray, опционально): массив сегментации (при наличии), который будет обрезан аналогично data | false | false | false | |
4,430 | 2026-02-23T12:34:43.272000Z | 2026-02-23T13:33:46.561000Z | Lec. | Также при необходимости в обрезанной области пикселям с нулевым значением, которые находятся вне ненулевой маски, присваивается специальная метка nonzero_label | Также при необходимости в области пикселям с нулевым значением, которые находятся вне ненулевой маски, присваивается специальной меткой nonzero_label | false | true | true |
4,429 | 2026-02-23T12:34:41.758000Z | 2026-02-23T12:34:41.758000Z | Lec. | Функция crop_to_nonzero обрезает изображение и соответствующую маску, полученную с помощью create_nonzero_mask | false | false | false | |
4,428 | 2026-02-23T12:34:40.019000Z | 2026-02-23T16:16:00.257000Z | Lec. | Аргументы:. data (np.ndarray): массив исходных данных | Аргументы: data (np.array): набор исходных данных. | false | true | true |
4,427 | 2026-02-23T12:34:38.468000Z | 2026-02-23T13:30:20.163000Z | Lec. | Функция create_nonzero_mask формирует булеву маску nonzero_mask, где значение True соответствует ненулевым элементам изображения | Функция create_nonzero_mask формирует булевую маску nonzero_mask, где значение True соответствует ненулевым элементам изображения. | false | true | true |
4,426 | 2026-02-23T12:34:36.946000Z | 2026-02-23T16:51:38.756000Z | Lec. | В следующих пунктах описаны программные коды для каждой части | В следующих пунктах приведены программные коды для каждой части. | false | true | true |
4,425 | 2026-02-23T12:34:34.881000Z | 2026-02-23T13:45:38.057000Z | Lec. | Разработанная система включает в себя следующие компоненты: модуль предобработки снимков компьютерной томографии (КТ), обучение модели, модуль визуализации, а также реализацию веб приложения для взаимодействия с пользователем | Разработанная система включает в себя следующие компоненты: модуль предобработки снимков компьютерной томографии (КТ), обучение модели, модуль визуализации и реализацию веб-приложения для взаимодействия с пользователем. | false | true | true |
4,424 | 2026-02-23T12:34:33.114000Z | 2026-02-23T13:28:37.916000Z | Lec. | Запуск системы 11 | Запуск системы 1 | false | true | true |
4,423 | 2026-02-23T12:34:31.637000Z | 2026-02-23T12:34:31.637000Z | Lec. | Скрипты для установки 10. 5.3 | false | false | false | |
4,422 | 2026-02-23T12:34:29.836000Z | 2026-02-23T12:34:29.836000Z | Lec. | Загрузка модели 9. 5.2 | false | false | false | |
4,421 | 2026-02-23T12:34:28.017000Z | 2026-02-23T13:24:51.150000Z | Lec. | Поставка приложения 9. 5.1 | Поставка приложения 9.5.1 | false | true | true |
4,420 | 2026-02-23T12:34:26.334000Z | 2026-02-23T12:34:26.334000Z | Lec. | Веб приложение 7. 4.1. web/streamlit_app.py 7. 5 | false | false | false | |
4,419 | 2026-02-23T12:34:24.880000Z | 2026-02-23T12:34:24.880000Z | Lec. | Обучение модели сегментации 6. 4 | true | false | false | |
4,418 | 2026-02-23T12:34:22.709000Z | 2026-02-23T12:34:22.709000Z | Lec. | Требования к формату датасета 5. 3 | true | true | false | |
4,417 | 2026-02-23T12:34:20.821000Z | 2026-02-23T12:34:20.821000Z | Lec. | Предобработка данных 2. 1.1. nnUNet/nnunetv2/preprocessing/cropping/cropping.py 2. 1.2. nnUNet/nnunetv2/preprocessing/normalization/ default_normalization_schemes.py 3. 1.3. nnUNet/nnunetv2/preprocessing/resampling/ default_resampling.py 4. 2 | false | false | false | |
4,416 | 2026-02-23T12:34:18.919000Z | 2026-02-23T12:34:18.919000Z | Lec. | РАЗРАБОТЧИКА. по проектной работе. 2057: «Система сегментации медицинских изображений сердца и аорты» | false | false | false | |
4,415 | 2026-02-23T12:34:16.274000Z | 2026-02-23T12:34:16.274000Z | Lec. | ДОКУМЕНТАЦИЯ | false | false | false | |
4,414 | 2026-02-23T12:34:14.609000Z | 2026-02-23T12:34:14.609000Z | Lec. | Федеральное государственное автономное образовательное учреждение. высшего образования. «Национальный исследовательский университет «Высшая школа экономики» | false | false | false | |
4,413 | 2026-02-23T12:34:07.591000Z | 2026-02-23T12:34:07.591000Z | Lec. | Пример отчета. | false | true | false | |
4,412 | 2026-02-23T12:34:06.079000Z | 2026-02-23T12:34:06.079000Z | Lec. | Таблица плотностей | false | false | false | |
4,411 | 2026-02-23T12:34:04.555000Z | 2026-02-23T12:34:04.555000Z | Lec. | Гистограмма распределения плотности | false | true | false | |
4,410 | 2026-02-23T12:34:02.804000Z | 2026-02-23T12:34:02.804000Z | Lec. | Карта плотности | false | true | false | |
4,409 | 2026-02-23T12:34:01.219000Z | 2026-02-23T13:41:52.794000Z | Lec. | Кнопки для дополнительной визуализации | Кнопки для дополнительной визуализации | false | true | true |
4,408 | 2026-02-23T12:33:59.704000Z | 2026-02-23T12:33:59.704000Z | Lec. | Действия кнопок визуализации:. «Построить карту плотности» выводит на экран исходный снимок с наложенной на сегментированные участки картой плотности (Рис. 13). «Построить гистограмму» выводит на экран распределение плотностей на сегментированных участках (Рис. 14). «Построить таблицу плотностей» выводит на экран таблицу, содержащую информацию о процентном соотношении пикселей разной плотности как по каждой структуре отдельно, так и по всем сразу. «Сохранить отчет (PDF)» генерирует файл отчет и начинает загрузку файла на компьютер (Рис. 16) | false | false | false |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.