Ar pipeline saistītu artefaktu un bojājumu atpazīšana IHC krāsojumos izmanotojot KNT kā pirmapstrādes posms patoloģiskajai analīzei

Šajā darbā tiek piedāvāts automatizēts risinājums artefaktu un bojājumu segmentācijai biomedicīnas attēlos, izmantojot mašīnmācīšanās algoritmus. Izstrādes process ietver datu pirmapstrādi, marķējuma klasifikāciju, izmantojot klasterizācijas algoritmus, un segmentācijas modeli. Segmentēšanai tiek izmantotas tādas KNT arhitektūras kā YOLO un U-NET, bet klasterizācijai tiek novērtēti K-Means un DBSC algoritmi. Rezultāti ietver datu pirmapstrādes priekšnoteikumu kopumu, klasterizācijas algoritma testēšanu un rezultātu analīzi, segmentācijas modeli un ieteikumus turpmākai attīstībai.