Цель исследования — изучить возможность использования технологий искусственного интеллекта для определения возраста детей по рентгеновским снимкам зубов.
Материалы и методы. Проведено ретроспективное исследование, в ходе которого проанализированы ортопантомограммы 322 детей (173 — женского и 149 — мужского пола) в возрасте 4–16 лет. На каждом снимке были аннотированы 14 постоянных зубов нижней челюсти. Обучение нейросетей производили с разбиением данных на тренировочную и тестовую выборку в соотношении 80:20; применяли кросс-валидацию с числом разбиений, равным 5. Оценка возраста решалась как задача регрессии. Процесс обучения и валидации нейросети реализован на языке Python с использованием библиотеки PyTorch. Точность прогнозирования возраста оценивали по коэффициенту детерминации (R2), среднеквадратичной ошибке (MSE) и средней абсолютной ошибке (MAE).
Результаты. Исследование показало, что разработанная модель машинного обучения обладает высокой точностью в оценке возраста детей. Значение средней абсолютной ошибки на кроссвалидацию составило 0,92 года, что существенно меньше ошибки при традиционно используемых ручных методах.
Цель исследования — оценка эффективности архитектуры нейронной сети KANU-Net 2D, основанной на архитектуре UNet, в задаче сегментации двухмерных МРТ-изображений головного мозга из набора данных BraTS при ограниченном количестве обучающих примеров.
Материалы и методы. В рамках работы были проведены эксперименты с подвыборками объемом 50, 100 и 150 изображений. Описаны этапы предобработки данных, включая нормализацию, гамма-коррекцию, обрезку и аугментацию. В качестве функции потерь использовали комбинацию Dice loss и BCE loss. Оптимизацию сети проводили с помощью AdamW. Производительность работы сети оценивали с использованием метрик Accuracy и коэффициента Dice для каждого региона и его среднего значения.
Результаты. Экспериментально продемонстрировано, что KANU-Net 2D достигает конкурентоспособной производительности, сравнимой с современными SOTA-моделями сверточных нейронных сетей, при обучении на малых выборках. В частности, средний коэффициент Dice составил 0,851 при использовании 100 обучающих примеров.
Заключение. Проведенные исследования показали, что сеть KANU-Net 2D превосходит модель для сегментации MedDANet как по среднему значению, так и по отдельным классам. Эффективность модели для различных зон опухоли обусловливает возможность адаптации подхода на основе KAN (сети Колмогорова–Арнольда) к различным характеристикам изображений в задаче медицинской сегментации. Полученные результаты подчеркивают несомненную перспективность применения KAN для сегментации медицинских изображений на малых выборках и могут служить фундаментом для проведения дальнейших исследований в этой области.