| Автори | А.Є. Дубіцький1, О.В. Глухов1, В.М. Береснєв2 |
| Афіліація |
1Харківський національний університет радіоелектроніки, 61166 Харків, Україна 2Харківський національний університет імені В. Н. Каразіна, 61022 Харків, Україна |
| Е-mail | artur.dubitskyi@nure.ua |
| Випуск | Том 18, Рік 2026, Номер 1 |
| Дати | Одержано 08 січня 2026; у відредагованій формі 22 лютого 2026; опубліковано online 25 лютого 2026 |
| Цитування | А.Є. Дубіцький, О.В. Глухов, В.М. Береснєв, Ж. нано- електрон. фіз. 18 № 1, 01009 (2026) |
| DOI | https://doi.org/10.21272/jnep.18(1).01009 |
| PACS Number(s) | 87.57.R –, 87.57. – s, 07.05.Mh, 95.75.Mn |
| Ключові слова | МРТ (4) , Багатоцільове навчання, Рентген (87) , Аналіз зображень (2) , Медична візуалізація. |
| Анотація |
У сучасній медичній практиці автоматизована обробка діагностичних зображень відіграє критичну роль, проте впровадження систем штучного інтелекту на портативне обладнання стикається з обме-женнями обчислювальних ресурсів. Ця стаття присвячена вирішенню проблеми розгортання алгорит-мів глибокого навчання на вбудованих системах, зокрема на програмованих логічних інтегральних схемах (ПЛІС), шляхом застосування методології багатоцільового навчання (Multi-Task Learning, MTL).Замість використання окремих моделей для кожного завдання, пропонується використовувати уніфіковану архітектуру нейронної мережі зі загальним використанням параметрів. Основою моделі обрано мережу MobileNetV2, яка виступає екстрактором ознак. Для кожної задачі, пошук пневмонії на рентгенівських знімках та пошук пухлин мозку на сканах МРТ, виділяється окрема голова, а для ди-намічної адаптації видобутих ознак, залежно від типу вхідного зображення, перед головами доданий шар Task Embedding. Для оптимізації процесу навчання нейронної мережі було використано технологію змішаної точно-сті (Automatic Mixed Precision) та оптимізації конвеєра завантаження даних. За принципом індуктив-ного зміщення (Inductive Bias) та для підвищення генералізації моделі, застосовано комплексну гео-метричну та фотометричну аугментацію даних. Для подальшої адаптації моделі на ПЛІС введений спосіб квантизації моделі зі формату FP32 у формат INT8. Результати експериментів підтверджують, що запропонований підхід забезпечує високу точність діагностики обох патологій, суттєво заощаджуючи ресурси пам'яті та енергоспоживання. |
|
Перелік посилань |