Orvosi képalkotás támogatása mélytanuló eljárásokkal

Abstract

A szakdolgozat célja olyan mesterséges intelligencia alapú rendszer fejlesztése, amely CT-felvételek alapján képes megkülönböztetni az egészséges, tüdőgyulladásos és COVID–19 fertőzött betegeket. Sikerült kidolgozni egy LMDB (Lightning Memory-Mapped Database) alapú megoldást az adatkezeléssel kapcsolatos kihívásokra. Összehasonlításra kerültek továbbá különböző modellek teljesítményei, hiperparaméter-hangolással és K-fold cross validációval. A kutatás végső célja egy hatékony, gyors és skálázható diagnosztikai támogató rendszer kialakítása, amely szuperszámítógépes (High Performance Computing - HPC) erőforrásokra támaszkodva javíthatja az egészségügyi döntéshozatalt. Összehasonlításra kerültek klasszikus konvolúciós neurális hálók, úgy mint: AlexNet, DenseNet, ResNet, stb., valamint újabb architektúrák is: Vision Transformer, ConvNeXt. A dolgozat során teljes munkafolyamat implementálásra került a kezdeti adat előkészítésétől, a modellek futtatásán át a tesztelésig, mindezt szuperszámítógépes környezetben.