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 |
|---|---|---|---|---|---|---|---|---|
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 |
2,957 | 2026-02-23T11:51:26.522000Z | 2026-02-23T11:51:26.522000Z | Lec. | T2-взвешнные — основаны на времени поперечной релаксации (другими словами, на времени затухания поперечной намагниченности тканей) | false | true | false | |
2,956 | 2026-02-23T11:51:24.680000Z | 2026-02-23T13:27:13.836000Z | Lec. | Жировая ткань ярко выделена, вода и спинномозговая жидкость подсвечиваются темным цветом | Жиросодержащая ткань ярко выделена, вода и спинномозговая жидкость подсвечиваются темным цветом | false | true | true |
2,955 | 2026-02-23T11:51:22.983000Z | 2026-02-23T13:41:20.105000Z | Lec. | T1-взвешенные — основаны на времени продольной релаксации, т.е. на времени восстановления намагниченности тканей вдоль основного магнитного поля | T1-взвешенных — основаны на времени продольной релаксации, т.е. на времени восстановления намагниченности тканей вдоль основного магнитного поля. | false | true | true |
2,954 | 2026-02-23T11:51:21.161000Z | 2026-02-23T11:51:21.161000Z | Lec. | Датасет состоит из изображений двух различных видов: | true | true | false | |
2,953 | 2026-02-23T11:51:19.527000Z | 2026-02-23T11:51:19.527000Z | Lec. | Тургенева Мошкиным Андреем Сергеевичем | true | false | false | |
2,952 | 2026-02-23T11:51:17.884000Z | 2026-02-23T11:51:17.884000Z | Lec. | Датасет с МРТ-изображениями позвоночных артерий был предоставлен кандидатом медицинских наук из Орловского Государственного Университета имени И.С | true | true | false | |
2,951 | 2026-02-23T11:51:16.082000Z | 2026-02-23T11:51:16.082000Z | Lec. | Датасет состоит из примеров (образцов), каждый из которых содержит признаки (features), и, в случае обучения с учителем, целевые значения (target) | false | true | false | |
2,950 | 2026-02-23T11:51:13.490000Z | 2026-02-23T11:51:13.490000Z | Lec. | Датасет в машинном обучении – структурированная коллекция данных, используемая для обучения, тестирования и валидации моделей | false | true | false | |
2,949 | 2026-02-23T11:51:11.619000Z | 2026-02-23T11:51:11.619000Z | Lec. | Работа с датасетом | false | true | false | |
2,948 | 2026-02-23T11:51:09.502000Z | 2026-02-23T11:51:09.502000Z | Lec. | Содержательная часть | false | true | false | |
2,947 | 2026-02-23T11:51:07.759000Z | 2026-02-23T13:30:42.515000Z | Lec. | Отчет по практике | Отчет по практике. | false | true | true |
2,946 | 2026-02-23T11:51:06.004000Z | 2026-02-23T11:51:06.004000Z | Lec. | Решенная задача сегментации позвоночных артерий | false | true | false | |
2,945 | 2026-02-23T11:51:04.358000Z | 2026-02-23T13:27:32.542000Z | Lec. | Разработанный нейросетевой блок | Разработанный нейронный блок | false | true | true |
2,944 | 2026-02-23T11:51:02.711000Z | 2026-02-23T13:31:34.331000Z | Lec. | Планируемые результаты | Планируемые результаты | false | true | true |
2,943 | 2026-02-23T11:51:01.054000Z | 2026-02-23T15:54:19.934000Z | Lec. | Проверка работы нейросетевой модели с помощью необходимых метрик | Проверка работы нейронной сети с помощью необходимых метрик. | false | true | true |
2,942 | 2026-02-23T11:50:59.193000Z | 2026-02-23T11:50:59.193000Z | Lec. | Обучение нейросетевой модели | false | true | false | |
2,941 | 2026-02-23T11:50:57.437000Z | 2026-02-23T13:29:22.405000Z | Lec. | Реализация нейросетевой модели | Реализация нейронной модели | false | true | true |
2,940 | 2026-02-23T11:50:55.858000Z | 2026-02-23T13:40:17.594000Z | Lec. | Реализация методов предобработки МРТ изображений | Реализация методов предобработки изображений МРТ | false | true | true |
2,939 | 2026-02-23T11:50:53.811000Z | 2026-02-23T11:50:53.811000Z | Lec. | Задачи практики | false | true | false | |
2,938 | 2026-02-23T11:50:52.137000Z | 2026-02-23T17:24:33.322000Z | Lec. | Целью прохождения практики является реализация метода на основе нейронных сетей для нахождения размеров и позиций позвоночных артерий на изображениях МРТ | Целью прохождения практики является реализация метода на основе нейронных сетей для определения размеров и позиций позвоночных артерий на изображениях МРТ | false | true | true |
2,937 | 2026-02-23T11:50:50.177000Z | 2026-02-23T11:50:50.177000Z | Lec. | Руководитель. д.т.н., профессор МИЭМ НИУ ВШЭ. ____________________ А.Ю | true | true | false | |
2,936 | 2026-02-23T11:50:48.312000Z | 2026-02-23T11:50:48.312000Z | Lec. | Приходько. подпись И.О | true | true | false | |
2,935 | 2026-02-23T11:50:46.501000Z | 2026-02-23T11:50:46.501000Z | Lec. | Студент ___________________ Р.В | true | true | false | |
2,934 | 2026-02-23T11:50:44.869000Z | 2026-02-23T11:50:44.869000Z | Lec. | Отчет по преддипломной практике. по направлению 09.03.01 Информатика и вычислительная техника. студентов образовательной программы бакалавриата «Информатика и вычислительная техника» | false | true | false | |
2,933 | 2026-02-23T11:50:42.875000Z | 2026-02-23T16:19:05.417000Z | Lec. | Интеллектуальная система сегментации позвоночных артерий на изображениях МРТ | Интеллектуальная система сегментации позвоночно-артериальной системы на изображениях МРТ | false | true | true |
2,932 | 2026-02-23T11:50:40.684000Z | 2026-02-23T11:50:40.684000Z | Lec. | Приходько Роман Владимирович, группа БИВ214 | true | false | false | |
2,931 | 2026-02-23T11:50:38.910000Z | 2026-02-23T11:50:38.910000Z | Lec. | URL: https://streamlit.io/ (дата обращения: 20.03.2025). | false | false | false | |
2,930 | 2026-02-23T11:50:36.846000Z | 2026-02-23T11:50:36.846000Z | Lec. | Streamlit • A faster way to build and share data apps [Электронный ресурс] | false | false | false | |
2,929 | 2026-02-23T11:50:35.024000Z | 2026-02-23T16:36:33.231000Z | Lec. | URL: https://pytorch.org/ (дата обращения: 27.03.2025) | URL: https://pytorch.org/ (дата обращения: 27.03.2023) | false | true | true |
2,928 | 2026-02-23T11:50:32.990000Z | 2026-02-23T11:50:32.990000Z | Lec. | PyTorch [Электронный ресурс] | false | true | false | |
2,927 | 2026-02-23T11:50:30.545000Z | 2026-02-23T13:28:35.896000Z | Lec. | URL: https://www.python.org/ (дата обращения: 27.03.2025) | URL: https://www.python.org/ (дата обращения: 27.03.2024) | false | true | true |
2,926 | 2026-02-23T11:50:28.751000Z | 2026-02-23T13:38:46.960000Z | Lec. | Welcome to Python.org [Электронный ресурс] | Добро пожаловать на Python.org [Электронный ресурс] | false | true | true |
2,925 | 2026-02-23T11:50:26.813000Z | 2026-02-23T11:50:26.814000Z | Lec. | URL: https://www.jetbrains.com/pycharm/ | false | false | false | |
2,924 | 2026-02-23T11:50:25.359000Z | 2026-02-23T11:50:25.359000Z | Lec. | PyCharm [Электронный ресурс] | false | false | false | |
2,923 | 2026-02-23T11:50:22.882000Z | 2026-02-23T11:50:22.882000Z | Lec. | U-net: Convolutional networks for biomedical image segmentation //Medical image computing and computer-assisted intervention–MICCAI 2015: 18th international conference, Munich, Germany, October 5-9, 2015, proceedings, part III 18. – Springer international publishing, 2015. – С. 234-241 | false | true | false | |
2,922 | 2026-02-23T11:50:20.795000Z | 2026-02-23T11:50:20.795000Z | Lec. | Ronneberger O., Fischer P., Brox T | false | false | false | |
2,921 | 2026-02-23T11:50:18.925000Z | 2026-02-23T18:27:51.906000Z | Lec. | Isensee F. et al. nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation //Nature methods. – 2021. – Т. 18. – №. 2. – С. 203-211 | Isensee F. et al. nNu-Net: a self-configuring method for deep learning-based biomedical image segmentation //Nature methods. – 2021. – Т. 18. – №. 2. – С. 203-211 | false | true | true |
2,920 | 2026-02-23T11:50:16.934000Z | 2026-02-23T11:50:16.934000Z | Lec. | The medical segmentation decathlon //Nature communications. – 2022. – Т. 13. – №. 1. – С. 4128 | false | false | false | |
2,919 | 2026-02-23T11:50:14.727000Z | 2026-02-23T11:50:14.727000Z | Lec. | Antonelli M. et al | false | false | false | |
2,918 | 2026-02-23T11:50:12.985000Z | 2026-02-23T11:50:12.985000Z | Lec. | URL: https://www.msdmanuals.com/professional/cardiovascular-disorders/coronary-artery-disease/overview-of-coronary-artery-disease (дата обращения 19.03.2025) | false | false | false | |
2,917 | 2026-02-23T11:50:11.140000Z | 2026-02-23T11:50:11.140000Z | Lec. | Overview of Coronary Artery Disease [Электронный ресурс] | false | false | false | |
2,916 | 2026-02-23T11:50:09.287000Z | 2026-02-23T18:27:07.861000Z | Lec. | URL: https://gkb57.ru/info/337/ (дата обращения: 10.03.2025) | URL: https://gkb57.ru/info/337/ (дата обращения: 10.03.2023) | false | true | true |
2,915 | 2026-02-23T11:50:07.357000Z | 2026-02-23T11:50:07.357000Z | Lec. | Разрыв аневризмы сосудов головного мозга. [Электронный ресурс] | false | true | false | |
2,914 | 2026-02-23T11:50:05.619000Z | 2026-02-23T11:50:05.619000Z | Lec. | Динамика региональных показателей смертности от сердечно-сосудистых заболеваний и когнитивных нарушений в России. // Российский кардиологический журнал. –2023. – №5256. https://doi.org/10.15829/1560-4071-2023-5256 | false | false | false | |
2,913 | 2026-02-23T11:50:03.401000Z | 2026-02-23T11:50:03.401000Z | Lec. | Самородская И.В., Старинская М.А., Бойцов С.А | true | false | false | |
2,912 | 2026-02-23T11:50:01.873000Z | 2026-02-23T11:50:01.873000Z | Lec. | URL: https://www.who.int/ru/news-room/fact-sheets/detail/cardiovascular-diseases-%28cvds%29 (дата обращения 19.03.2025) | false | false | false | |
2,911 | 2026-02-23T11:49:59.837000Z | 2026-02-23T11:49:59.837000Z | Lec. | Сердечно-сосудистые заболевания (ССЗ) [Электронный ресурс] | false | true | false | |
2,910 | 2026-02-23T11:49:57.898000Z | 2026-02-23T11:49:57.898000Z | Lec. | Список литературы | false | true | false | |
2,909 | 2026-02-23T11:49:56.391000Z | 2026-02-23T11:49:56.391000Z | Lec. | Таким образом, в рамках проекта достигнута основная цель — создана работоспособная, автономная, клинически ориентированная система, сочетающая современные методы машинного обучения с практическими потребностями врачей | false | true | false | |
2,908 | 2026-02-23T11:49:54.749000Z | 2026-02-23T11:49:54.749000Z | Lec. | Полученные результаты подтвердили высокую точность и клиническую применимость системы | false | true | false |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.