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 |
|---|---|---|---|---|---|---|---|---|
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 | |
14,057 | 2026-02-24T11:43:43.203000Z | 2026-02-24T11:43:43.203000Z | Lec. | Преобразование в полярные координаты позволяет точнее выделять извилистые структуры сосудов, что делает метод с использованием полярных координат особенно полезным для задач сегментации сложных структур | false | true | false | |
14,056 | 2026-02-24T11:43:41.569000Z | 2026-02-24T11:43:41.569000Z | Lec. | В работе [18] реализован метод локализации артерий и сегментации стенок сосудов на МРТ-изображениях с использованием полярных координат | false | true | false | |
14,055 | 2026-02-24T11:43:39.702000Z | 2026-02-24T11:43:39.702000Z | Lec. | Использование априорных знаний позволяет нейросетевой модели точнее выделять тонкие структуры сосудов на фоне окружающих тканей | false | true | false | |
14,054 | 2026-02-24T11:43:37.946000Z | 2026-02-24T11:43:37.946000Z | Lec. | Авторы использовали глубокие нейронные сети для выделения стенок сосудов, что позволило улучшить качество сегментации, особенно в случаях, когда изображения имеют низкое качество | false | true | false | |
14,053 | 2026-02-24T11:43:36.164000Z | 2026-02-24T11:43:36.164000Z | Lec. | В работе [13] предложен метод сегментации стенок сонных артерий на МРТ-изображениях с использованием априорных знаний об анатомии | false | true | false | |
14,052 | 2026-02-24T11:43:34.235000Z | 2026-02-24T11:43:34.235000Z | Lec. | В отличие от традиционных методов, глубокое обучение позволяет учитывать сложные зависимости между пикселями, что делает его особенно полезным для задач сегментации сложных сосудистых структур | false | true | false | |
14,051 | 2026-02-24T11:43:32.657000Z | 2026-02-24T11:43:32.657000Z | Lec. | Методы на основе CNN позволяют автоматически извлекать признаки из изображений и использовать их для классификации или сегментации | false | true | false | |
14,050 | 2026-02-24T11:43:31.096000Z | 2026-02-24T11:43:31.096000Z | Lec. | С развитием глубокого обучения методы, основанные на сверточных нейронных сетях (CNN) [17], стали стандартом для задач сегментации медицинских изображений, в частности архитектура U-Net [7] | false | true | false | |
14,049 | 2026-02-24T11:43:29.215000Z | 2026-02-24T11:43:29.215000Z | Lec. | Методы решения задачи сегментации с использованием глубокого обучения | false | false | false | |
14,048 | 2026-02-24T11:43:27.481000Z | 2026-02-24T11:43:27.481000Z | Lec. | Авторы статьи [16] показали, что K-means является полезным инструментом предварительной обработки данных перед сегментацией, особенно в случаях, когда изображения содержат области с однородной текстурой | false | true | false | |
14,047 | 2026-02-24T11:43:25.633000Z | 2026-02-24T11:43:25.633000Z | Lec. | Он позволяет адаптировать контур к форме объекта, что делает его особенно полезным для задач сегментации сложных сосудистых структур | false | true | false | |
14,046 | 2026-02-24T11:43:23.722000Z | 2026-02-24T11:43:23.722000Z | Lec. | Метод активных контуров основан на минимизации энергии, которая зависит от формы контура и градиента изображения:. где – внутренняя энергия контура,. – внешняя энергия контура | false | true | false | |
14,045 | 2026-02-24T11:43:21.956000Z | 2026-02-24T11:43:21.956000Z | Lec. | Активный контур обозначается параметрической кривой на плоскости изображения, определенной следующей формулой:. где – параметр кривой,. – координаты на плоскости изображения | false | true | false | |
14,044 | 2026-02-24T11:43:20.211000Z | 2026-02-24T11:43:20.211000Z | Lec. | Обработка изображений на основе моделирования зрительной системы человека [14] | false | true | false | |
14,043 | 2026-02-24T11:43:18.501000Z | 2026-02-24T11:43:18.501000Z | Lec. | Из рисунка 6 видно, что данные методы позволяют выделять области с однородной текстурой | false | true | false | |
14,042 | 2026-02-24T11:43:16.853000Z | 2026-02-24T11:43:16.853000Z | Lec. | Нейроны реагируют на определенные паттерны, такие как линии, углы и текстуры | false | true | false | |
14,041 | 2026-02-24T11:43:15.058000Z | 2026-02-24T11:43:15.058000Z | Lec. | В данной работе предложен набор инструментов для обработки изображений, основанный на моделировании работы зрительной системы человека | false | true | false | |
14,040 | 2026-02-24T11:43:13.421000Z | 2026-02-24T11:43:13.421000Z | Lec. | Методы, вдохновленные человеческим восприятием, также находят применение в задачах обработки изображений [14] | false | true | false | |
14,039 | 2026-02-24T11:43:11.675000Z | 2026-02-24T11:43:11.675000Z | Lec. | Фильтр Габора позволяет улучшить точность обработки тонких сосудистых сетей в сравнении с обычным применением классических сегментирующих нейросетевых моделей за счет анализа частотно-пространственных характеристик изображения | false | true | false | |
14,038 | 2026-02-24T11:43:09.899000Z | 2026-02-24T11:43:09.899000Z | Lec. | Фильтры Габора также применимы для выделения мелких анатомических структур и сосудов [13] | false | true | false | |
14,037 | 2026-02-24T11:43:08.227000Z | 2026-02-24T11:43:08.227000Z | Lec. | Работа фильтра Габора [11] | false | false | false | |
14,036 | 2026-02-24T11:43:06.494000Z | 2026-02-24T11:43:06.494000Z | Lec. | Фильтр определяется следующей формулой:. где и – координаты, повернутые на угол θ,. – длина волны,. – стандартное отклонение гауссиана,. – фазовый сдвиг,. – коэффициент аспектного отношения [12] | false | true | false | |
14,035 | 2026-02-24T11:43:04.745000Z | 2026-02-24T11:43:04.745000Z | Lec. | Результат локализация продемонстрирована на рисунке 5 | false | true | false | |
14,034 | 2026-02-24T11:43:03.114000Z | 2026-02-24T11:43:03.114000Z | Lec. | Фильтр Габора позволяет локализовать пространственные и частотные компоненты изображения | false | true | false | |
14,033 | 2026-02-24T11:43:01.367000Z | 2026-02-24T11:43:01.367000Z | Lec. | К текстурной обработке относится Фильтр Габора [11], представляющий собой линейный фильтр, основанный на произведении гармонической функции (как правило синусоиды) | false | true | false | |
14,032 | 2026-02-24T11:42:59.764000Z | 2026-02-24T11:42:59.764000Z | Lec. | На рисунке 4 показано, что в результате применения фильтра улучшается контраст между сосудами и окружающими тканями | false | true | false | |
14,031 | 2026-02-24T11:42:58.107000Z | 2026-02-24T11:42:58.107000Z | Lec. | Предложенный метод основан на анализе локальной геометрии изображения с использованием вторых производных гауссиана, что позволяет выделять сосудистые структуры, независимо от их ориентации | false | true | false | |
14,030 | 2026-02-24T11:42:56.507000Z | 2026-02-24T11:42:56.507000Z | Lec. | Фильтр Франги был использован в [10] для выявления кровеносных сосудов головного мозга на МРТ-изображениях | false | true | false | |
14,029 | 2026-02-24T11:42:54.764000Z | 2026-02-24T11:42:54.764000Z | Lec. | Собственные значения нормализуются с учетом масштабных параметров | false | true | false | |
14,028 | 2026-02-24T11:42:53.135000Z | 2026-02-24T11:42:53.135000Z | Lec. | Он был разработан для сегментации трубчатых структур на медицинских изображениях | false | true | false | |
14,027 | 2026-02-24T11:42:51.405000Z | 2026-02-24T11:42:51.405000Z | Lec. | Продолжая обсуждение сложных алгоритмов, которые в основном опираются на математические вычисления, нельзя не упомянуть фильтр Франги | false | true | false | |
14,026 | 2026-02-24T11:42:49.737000Z | 2026-02-24T11:42:49.737000Z | Lec. | Из недостатков метода следует упомянуть, что на выполнение математических вычислений уходит существенное количество времени, что является главным недостатком подхода | false | true | false | |
14,025 | 2026-02-24T11:42:48.094000Z | 2026-02-24T11:42:48.094000Z | Lec. | Предлагаемый подход эффективно сохраняет высокоинтенсивные границы изображения и помогает избавиться от лишних шумов | false | true | false | |
14,024 | 2026-02-24T11:42:46.538000Z | 2026-02-24T11:42:46.538000Z | Lec. | Маска фильтра задается следующей формулой:. где, – дисперсия шума,. ) – изначальное изображение,. – дисперсия в окрестности,. – среднее значение окрестности | false | true | false | |
14,023 | 2026-02-24T11:42:44.760000Z | 2026-02-24T11:42:44.760000Z | Lec. | В описываемой работе для предобработки также применялся фильтр Винера | false | true | false | |
14,022 | 2026-02-24T11:42:43.049000Z | 2026-02-24T11:42:43.049000Z | Lec. | Например, на рисунке 1 и на рисунке 2 показаны результаты использования данных фильтров при обработке МРТ-изображений головного мозга | false | true | false | |
14,021 | 2026-02-24T11:42:41.171000Z | 2026-02-24T11:42:41.171000Z | Lec. | Гауссовский и медианный фильтры применяются в работе со сложными данными, где шум на изображении существенно мешает сегментации | false | true | false | |
14,020 | 2026-02-24T11:42:39.610000Z | 2026-02-24T11:42:39.610000Z | Lec. | Предлагаемый подход обеспечивает сохранение мелких анатомических деталей, таких как края кровеносных сосудов и текстура стенок артерий | false | true | false | |
14,019 | 2026-02-24T11:42:38.052000Z | 2026-02-24T11:42:38.052000Z | Lec. | Принцип гауссовского фильтра заключается в том, что к центральному пикселю применяется замыливание с формой кривой распределения Гаусса | false | true | false | |
14,018 | 2026-02-24T11:42:36.404000Z | 2026-02-24T11:42:36.404000Z | Lec. | Для подавления шумов и улучшения контрастности в работе [8] используются гауссовский и медианный фильтры | false | true | false | |
14,017 | 2026-02-24T11:42:34.684000Z | 2026-02-24T11:42:34.684000Z | Lec. | Одной из проблем при работе с МРТ-изображениями является наличие шумов, возникающих при съемке | false | true | false | |
14,016 | 2026-02-24T11:42:32.892000Z | 2026-02-24T11:42:32.892000Z | Lec. | Для общего понимания сути обработки МРТ изображений предлагается сначала рассмотреть традиционные методы | false | true | false | |
14,015 | 2026-02-24T11:42:31.287000Z | 2026-02-24T11:42:31.287000Z | Lec. | Обзор литературы | false | true | false | |
14,014 | 2026-02-24T11:42:29.627000Z | 2026-02-24T11:42:29.627000Z | Lec. | Предлагаемый подход позволяет улучшить диагностический процесс и помогает клиницистам принимать правильные решения | false | true | false | |
14,013 | 2026-02-24T11:42:27.856000Z | 2026-02-24T11:42:27.856000Z | Lec. | Система предназначена для предоставления комплексного решения, сочетающего точную сегментацию, автоматический расчет метрик и ведение базы данных | false | true | false | |
14,012 | 2026-02-24T11:42:26.091000Z | 2026-02-24T11:42:26.091000Z | Lec. | В данной работе предлагается разработка интеллектуальной системы сегментации позвоночных артерий на основе нейронных сетей | false | true | false | |
14,011 | 2026-02-24T11:42:24.513000Z | 2026-02-24T11:42:24.513000Z | Lec. | Задача сегментации заключается в разделении изображения на области, содержащие различные анатомические структуры | false | true | false | |
14,010 | 2026-02-24T11:42:22.831000Z | 2026-02-24T11:42:22.831000Z | Lec. | Чаще всего ИИ используется в задачах анализа изображений и в задачах прогнозирующей диагностики | false | true | false | |
14,009 | 2026-02-24T11:42:20.889000Z | 2026-02-24T11:42:20.889000Z | Lec. | Системы искусственного интеллекта (ИИ) [5] находят применение в медицинской диагностике | false | true | false | |
14,008 | 2026-02-24T11:42:19.137000Z | 2026-02-24T11:42:19.137000Z | Lec. | В то же время из-за малого размера позвоночных артерий даже опытные радиологи допускают ошибки при анализе артерий | false | true | false |
Subsets and Splits
No community queries yet
The top public SQL queries from the community will appear here once available.