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 |
|---|---|---|---|---|---|---|---|---|
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 настройке | 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 классами | 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 классами. | 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 |
2,757 | 2026-02-23T11:45:12.241000Z | 2026-02-23T13:34:00.134000Z | Lec. | Маски сегментации (Рис. 4) — в формате .png с тем же именем, но другим суффиксом, например img-00001-00068-AO.png, где: | Маски сегментации (Рис. 4) — в формате .png с тем же именем, но другим суффиксом, например img-00001-00068-AO.png, где: | false | true | true |
2,756 | 2026-02-23T11:45:10.319000Z | 2026-02-23T13:28:42.753000Z | Lec. | Исходные изображения (Рис. 3) представлены в формате .jpg (например, img-00001-00068.jpg) | Исходные изображения (Рис. 3) представлены в формате .jpg (например, img-00001-00068.jpg) | false | true | true |
2,755 | 2026-02-23T11:45:08.612000Z | 2026-02-23T17:35:00.150000Z | Lec. | Интервалы между срезами соответствуют типичному шагу сканирования КТ — от 1 до 2 мм | Интервалы между срезами соответствуют типичной степени сканирования КТ — от 1 до 2 мм. | false | true | true |
2,754 | 2026-02-23T11:45:06.791000Z | 2026-02-23T11:45:06.791000Z | Lec. | Каждое изображение имеет разрешение 512 × 512 пикселей и содержит поперечный срез грудной клетки на уровне грудной аорты, сердца или легочной артерии | false | true | false | |
2,753 | 2026-02-23T11:45:04.695000Z | 2026-02-23T11:45:04.695000Z | Lec. | Из них 333 изображения размечены (с масками), 194 изображения не размечены — предназначены для тестирования, предсказания или дополнительной разметки | false | true | false | |
2,752 | 2026-02-23T11:45:02.791000Z | 2026-02-23T11:45:02.791000Z | Lec. | Набор состоит из 527 аксиальных КТ-срезов, полученных из нескольких КТ-исследований | false | true | false | |
2,751 | 2026-02-23T11:45:00.717000Z | 2026-02-23T11:45:00.717000Z | Lec. | Набор данных представляет собой анонимизированные изображения компьютерной томографии (КТ) органов грудной клетки, содержащие в поле зрения ключевые анатомические структуры: сердце, аорту и легочную артерию с ее ветвями | false | true | false | |
2,750 | 2026-02-23T11:44:58.837000Z | 2026-02-23T11:44:58.837000Z | Lec. | Для обучения, валидации и тестирования разработанной системы сегментации использовались реальные медицинские данные, предоставленные Медицинским институтом ФГБОУ ВО «Орловский государственный университет имени И.С | true | true | false | |
2,749 | 2026-02-23T11:44:56.956000Z | 2026-02-23T18:04:43.967000Z | Lec. | Система поддерживает развертывание в локальной среде (на рабочем месте врача) | Система поддерживает развертывание в локальной среде на рабочем месте врача. | false | true | true |
2,748 | 2026-02-23T11:44:55.176000Z | 2026-02-23T11:44:55.176000Z | Lec. | Архитектура системы | false | false | false | |
2,747 | 2026-02-23T11:44:53.499000Z | 2026-02-23T13:34:56.254000Z | Lec. | Интерфейс позволяет загружать данные, просматривать результаты и сохранять отчеты | Интерфейс позволяет загружать данные, просматривать результаты и сохранять отчеты. | false | true | true |
2,746 | 2026-02-23T11:44:51.536000Z | 2026-02-23T17:57:53.247000Z | Lec. | Разработан кроссплатформенный интерфейс, обеспечивающий интуитивное взаимодействие с системой для врачей без технической подготовки | Разработан кроссплатформенный интерфейс, обеспечивающий интуитивное взаимодействие с системой для всех пользователей, независимо от операционной системы. | false | true | true |
2,745 | 2026-02-23T11:44:49.590000Z | 2026-02-23T13:49:37.217000Z | Lec. | Пользовательский интерфейс | Пользовательский интерфейс. | false | true | true |
2,744 | 2026-02-23T11:44:47.940000Z | 2026-02-23T13:26:21.063000Z | Lec. | Позволяет автоматически формировать отчеты в формате PDF, содержащие визуальные результаты, графики и сводные таблицы с числовыми показателями, что облегчает включение информации в медицинскую документацию | Предоставляет возможность автоматического формирования отчетов в формате PDF, содержащих визуальные результаты, графики и сводные таблицы с числовыми показателями, что облегчает включение информации в медицинскую документацию. | false | true | true |
2,743 | 2026-02-23T11:44:45.567000Z | 2026-02-23T13:39:06.808000Z | Lec. | Модуль генерации отчетов | Модуль генерации отчетов. | false | true | true |
2,742 | 2026-02-23T11:44:43.973000Z | 2026-02-23T11:44:43.973000Z | Lec. | Пример работы модуля визуализации | false | true | false | |
2,741 | 2026-02-23T11:44:41.723000Z | 2026-02-23T13:41:33.449000Z | Lec. | Реализовано отображение наложений масок на КТ-срезы, а также построение:. гистограмм плотности тканей в пределах каждой из структур;. карт распределения плотности;. таблиц распределения плотности;. текстовой аналитики по каждому объекту (средней и медианной плотности, дисперсии плотности и другие) | Реализовано отображение наложения масок на КТ-снимках, а также построение:. гистограмм плотности тканей в пределах каждой из структур;. карт распределения плотности;. таблиц распределения плотности;. текстовой аналитики по каждому объекту (средней и медианной плотности, дисперсии плотности и другие) | false | true | true |
2,740 | 2026-02-23T11:44:39.926000Z | 2026-02-23T18:23:44.739000Z | Lec. | Модуль визуализации и анализа результатов (Рис. 1) | Модуль визуализации и анализа результатов. (Рис. 1) | false | true | true |
2,739 | 2026-02-23T11:44:37.940000Z | 2026-02-23T15:52:15.388000Z | Lec. | На выходе формируются маски сегментированных областей | На выходе формируются маски сегментированных областей. | false | true | true |
2,738 | 2026-02-23T11:44:35.838000Z | 2026-02-23T11:44:35.838000Z | Lec. | Модель была дообучена на предоставленных заказчиком данных и адаптирована под специфику изображения анатомических структур грудной клетки | false | true | false | |
2,737 | 2026-02-23T11:44:34.002000Z | 2026-02-23T11:44:34.002000Z | Lec. | В основе лежит архитектура nnU-Net, зарекомендовавшая себя как универсальный подход к задачам медицинской сегментации | false | true | false | |
2,736 | 2026-02-23T11:44:32.101000Z | 2026-02-23T11:44:32.101000Z | Lec. | Модуль нейросетевой сегментации | false | true | false | |
2,735 | 2026-02-23T11:44:30.616000Z | 2026-02-23T13:26:49.789000Z | Lec. | Для повышения устойчивости модели к различиям в исходных данных реализованы операции:. нормализации интенсивности;. ресемплирования;. обрезки по области интереса;. фильтрация шумов | Для повышения устойчивости модели к различиям в исходных данных реализованы операции: нормализации интенсивности; ресемплирования; обрезки по области интереса; фильтрации шумов. | false | true | true |
2,734 | 2026-02-23T11:44:28.968000Z | 2026-02-23T11:44:28.968000Z | Lec. | Модуль предобработки изображений | false | true | false | |
2,733 | 2026-02-23T11:44:26.785000Z | 2026-02-23T11:44:26.785000Z | Lec. | На этапе загрузки осуществляется первичная проверка совместимости данных и приведение их к единому формату | false | true | false | |
2,732 | 2026-02-23T11:44:25.089000Z | 2026-02-23T11:44:25.089000Z | Lec. | Поддерживается загрузка как отдельных КТ-срезов, так и целых серий в формате JPG | false | true | false | |
2,731 | 2026-02-23T11:44:23.293000Z | 2026-02-23T13:30:02.602000Z | Lec. | Модуль загрузки и обработки входных данных | Модуль загрузки и обработки входных данных | false | true | true |
2,730 | 2026-02-23T11:44:21.675000Z | 2026-02-23T13:40:48.698000Z | Lec. | Система включает в себя следующие ключевые компоненты (Рис. 2): | Система включает в себя следующие ключевые компоненты. (Рис. 2): | false | true | true |
2,729 | 2026-02-23T11:44:19.604000Z | 2026-02-23T11:44:19.604000Z | Lec. | Архитектура системы построена по модульному принципу, что обеспечивает гибкость, масштабируемость и удобство внедрения в медицинские учреждения | false | true | false | |
2,728 | 2026-02-23T11:44:17.926000Z | 2026-02-23T11:44:17.926000Z | Lec. | Разработанная система представляет собой программно-аппаратный комплекс, предназначенный для автоматической сегментации анатомических структур (аорты, сердца и легочной артерии) на изображениях компьютерной томографии (КТ), их визуализации и генерации диагностических отчетов | false | true | false | |
2,727 | 2026-02-23T11:44:16.089000Z | 2026-02-23T11:44:16.089000Z | Lec. | Подготовка презентации для защиты проекта | false | true | false | |
2,726 | 2026-02-23T11:44:14.365000Z | 2026-02-23T13:35:14.363000Z | Lec. | Рефакторинг кода | Рефакторинг кода — это процесс улучшения существующего программного обеспечения. | false | true | true |
2,725 | 2026-02-23T11:44:12.656000Z | 2026-02-23T11:44:12.656000Z | Lec. | Разработка алгоритмов построения гистограмм плотности тканей и генерации отчетов в формате PDF | false | true | false | |
2,724 | 2026-02-23T11:44:10.958000Z | 2026-02-23T11:44:10.958000Z | Lec. | Разработка алгоритма визуализации результатов сегментации | false | true | false | |
2,723 | 2026-02-23T11:44:09.138000Z | 2026-02-23T16:20:15.602000Z | Lec. | Разработка скрипта для вычисления средней и медианной плотности | Разработка скрипта для вычисления средней и медианной плотности | false | true | true |
2,722 | 2026-02-23T11:44:07.527000Z | 2026-02-23T11:44:07.527000Z | Lec. | Разработка алгоритма нормализации плотности | false | true | false | |
2,721 | 2026-02-23T11:44:05.493000Z | 2026-02-23T11:44:05.493000Z | Lec. | Коррекция ошибок в разметке данных | false | true | false | |
2,720 | 2026-02-23T11:44:04.064000Z | 2026-02-23T13:25:04.453000Z | Lec. | Подготовка проморолика для представления проекта | Подготовка проморолика для представления проекта. | false | true | true |
2,719 | 2026-02-23T11:44:02.263000Z | 2026-02-23T11:44:02.263000Z | Lec. | Матиев Магомед Мусаевич | true | false | false | |
2,718 | 2026-02-23T11:44:00.361000Z | 2026-02-23T11:44:00.361000Z | Lec. | Подготовка отчета для защиты проекта | false | true | false | |
2,717 | 2026-02-23T11:43:58.683000Z | 2026-02-23T13:34:12.200000Z | Lec. | Корректировка гиперпараметров модели и перезапуск обучения | Корректировка гиперпараметров модели и перезапуск обучения | false | true | true |
2,716 | 2026-02-23T11:43:57.035000Z | 2026-02-23T13:31:46.307000Z | Lec. | Конвертация данных в формат подходящий для nnU-Net | Конвертация данных в подходящий формат для nnU-Net. | false | true | true |
2,715 | 2026-02-23T11:43:55.437000Z | 2026-02-23T11:43:55.437000Z | Lec. | Дообучение модели на добавленных данных | false | true | false | |
2,714 | 2026-02-23T11:43:53.767000Z | 2026-02-23T13:40:54.565000Z | Lec. | Аугментация тренировочного набора данных | Аугментация тренировочного набора данных. | false | true | true |
2,713 | 2026-02-23T11:43:51.909000Z | 2026-02-23T18:12:10.160000Z | Lec. | Разработки алгоритма постобработки предсказанных масок | Разработка алгоритма постобработки предсказанных масок. | false | true | true |
2,712 | 2026-02-23T11:43:50.336000Z | 2026-02-23T13:50:12.958000Z | Lec. | Разработка алгоритма фильтрации шумов | Разработка алгоритма фильтрации шумов. | false | true | true |
2,711 | 2026-02-23T11:43:48.345000Z | 2026-02-23T13:24:25.017000Z | Lec. | Подготовка презентации для представления проекта | Подготовка презентации для представления проекта. | false | true | true |
2,710 | 2026-02-23T11:43:46.401000Z | 2026-02-23T11:43:46.401000Z | Lec. | Обзор научной литературы по архитектурам U-Net и nnU-Net | false | true | false | |
2,709 | 2026-02-23T11:43:44.557000Z | 2026-02-23T11:43:44.557000Z | Lec. | Нам Виктория Сергеевна | true | true | false | |
2,708 | 2026-02-23T11:43:42.984000Z | 2026-02-23T11:43:42.984000Z | Lec. | Подготовка технической и пользовательской документации | false | true | false |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.