Mašīnmācīšanās modeļu apmācība šūnu attēlu analīzei, izmantojot sintētiskos datus

Abstract

Bakalaura darba ietvaros tika izpētīts mākslīgā intelekta pielietojums medicīnā, kā arī sintētisko datu pielietojums, vēsture un ģenerēšanas iespējas dziļajos mašīnmācīšanās modeļos. Praktiskās daļas mērķis bija izveidot bināru klasifikatoru, kas spēj atpazīt OOC labas šūnas no sliktām šūnām. Šis mašīnmācīšanās modelis tika apmācīts gan uz tikai reāliem datiem, gan sintētiskiem un reāliem datiem. Sintētiskie dati, kas tika izmantoti apmācībā tika ģenerēti izmantojot Stabilo difūziju modeli.

Within the framework of the bachelor's thesis, the use of artificial intelligence in medicine was studied, as well as the use of synthetic data, its history, and generation possibilities in deep learning models. The practical part aimed to create a binary classifier capable of distinguishing OOC cells as good or bad. This machine learning model was trained on both solely real data and a combination of synthetic and real data. The synthetic data used in the training were generated using the Stable Diffusion model.