MBD_AI_2026

1. DUOMENŲ IŠPLĖTIMO IR GENERAVIMO INTEGRAVIMAS Į KOMPIUTERINĖS REGOS MODELIUS

„AI engineering“ studentė:
Angelina A.
DUOMENŲ IŠPLĖTIMO IR
GENERAVIMO
INTEGRAVIMAS Į
KOMPIUTERINĖS REGOS
MODELIUS
2026-05-28

2. Nagrinėjama problema. Temos naujumas ir aktualumas

Tyrimo problema – medicininių vaizdų stoka ir universalių augmentacijos bei jų
derinimo strategijų trūkumas, ribojantis technologijų praktinį pritaikymą.
1 pav. Straipsniai apie augmentaciją (Pezoulas et al., 2024) 2 pav. Medicininių vaizdų problemos (Rayed et al., 2024)
2026-05-28
DUOMENŲ IŠPLĖTIMO IR GENERAVIMO INTEGRAVIMAS Į KOMPIUTERINĖS REGOS MODELIUS
2

3. Darbo tikslas ir uždaviniai

Tikslas – medicininių vaizdų atpažinimo tikslumo ir pritaikamumo gerinimas
patobulinant duomenų augmentacijos būdų taikymo metodus.
Uždaviniai:
1. Atlikti kompiuterinės regos modelių ir augmentacijos metodų, taikomų
medicininiams vaizdams, analizę.
2. Nustatyti sintetinių vaizdų generavimo modelių suderinamumo galimybes bei
išrinkti ir paruošti viešai prieinamus medicininių duomenų rinkinius.
3. Eksperimentiniais būdais išbandyti augmentacijos technikas ir jų derinius bei
pasiūlyti hibridinę integravimo taikymą kompiuterinės regos modelių našumo
pagerinimui.
4. Įvertinti pasiūlyto metodo efektyvumą, pateikiant tyrimo rezultatus ir
rekomendacijas praktiniam pritaikymui.
DUOMENŲ IŠPLĖTIMO IR GENERAVIMO INTEGRAVIMAS Į KOMPIUTERINĖS REGOS MODELIUS
2026-05-28
3

4. Eksperimentinė eiga. Tyrimo struktūra

1.
2.
3.
4.
5.
Atskaitos taškas (angl.
baseline).
Ribota imtis.
*Generacija.
Modelių mokymas.
Rezultatų analizė.
* Apima tiek sintetinius, tiek transformuotus vaizdus.
DUOMENŲ IŠPLĖTIMO IR GENERAVIMO INTEGRAVIMAS Į KOMPIUTERINĖS REGOS MODELIUS
3 pav. Duomenų srautų ir modelio treniravimo schema
2026-05-28
4

5. Tikslumo ir nuostolių priklausomybė nuo duomenų imties dydžio

4 pav. Vaizdų išplėtimo transformacijomis įtaka modelių tikslumui ir nuostolių reikšmei
Pastaba: Be augmentacijos – 10%, 20%, 30% ir 50% nuo pradinio rinkinio (7023).
DUOMENŲ IŠPLĖTIMO IR GENERAVIMO INTEGRAVIMAS Į KOMPIUTERINĖS REGOS MODELIUS
2026-05-28
5

6. Geometrinės ir piksėlių transformacijos

5 pav. Originalūs vaizdai
DUOMENŲ IŠPLĖTIMO IR GENERAVIMO INTEGRAVIMAS Į KOMPIUTERINĖS REGOS MODELIUS
6 pav. Transformuoti vaizdai
2026-05-28
6

7. „Išankstinės“ klasikinės augmentacijos poveikis

7 pav. Modelių tikslumo, AUC rodiklio ir nuostolių reikšmės priklausomybės
DUOMENŲ IŠPLĖTIMO IR GENERAVIMO INTEGRAVIMAS Į KOMPIUTERINĖS REGOS MODELIUS
2026-05-28
7

8. Generatyviniai augmentacijos metodai

a)
c)
d)
b)
e)
8 pav. Tikras MRT, užklausų a), b); GAN (c) ir DDPM d), e) generavimas
2026-05-28
8

9. Patobulinta DDPM augmentacijos sistema

9 pav. DDPM + ESRGAN + EFFICIENTNET procesas
2026-05-28
9

10. DDPM prieš DDPM + ESRGAN augmentaciją

82%
„ConvNeXt“,
3042
79,2 /
80,5%
„Swin“ / „ViT“
Geriausias
sintetinių MRT (3056)
tikslumas, %
10 pav. Modelių efektyvumas skirtinguose sintetinio duomenų rinkinio scenarijuose
DUOMENŲ IŠPLĖTIMO IR GENERAVIMO INTEGRAVIMAS Į KOMPIUTERINĖS REGOS MODELIUS
2026-05-28
10

11. Hibridinio metodo rezultatai

0,377
0,888
+0,145
Hibridinio metodo
„MobileNet“,
„ConvNeXt“,
„ViT“, 300%
100%
300%
rezultatai
Mažiausia nuostolių reikšmė, geriausias tikslumas ir jo prieaugis
Optimalumo rėžiai
11 pav. Modelių tikslumo ir nuostolių kaita priklausomai nuo sintetinių duomenų kiekio
DUOMENŲ IŠPLĖTIMO IR GENERAVIMO INTEGRAVIMAS Į KOMPIUTERINĖS REGOS MODELIUS
2026-05-28
13

12. Darbo išvados

1.
2.
Atlikus literatūros analizę, yra nustatyta, kad augmentacija ir sintetiniai duomenys
yra esminiai KR elementai, sprendžiantys medicininių vaizdų duomenų trūkumo ir
generalizavimo problemas. Iš kurių – modernūs generatyviniai metodai, tokie kaip
GAN ir DDPM yra tinkamesni nei tradicinės augmentacijos technikos, nes
generuoja aukštos kokybės tikroviškus vaizdus, tačiau dėl technininių ir etinių
iššūkių, jų taikymui medicinoje būtini išsamesni tyrimai ir eksperimetai, apimantys
platesnio naudojimo strategijų kūrimą ir objektyvų efektyvumo vertinimą.
Pagilinta mokslinės literatūros analizė pagrindė pasirinkimą tirti hibridinius
augmentacijos metodus duomenų lygmenyje, dėl jų pranašumų – efektyvesnių
skaičiavimo resursų naudojimo, geresnio rezultatų interpretavimo ir praktinio
pritaikomumo. Atlikti pirminiai eksperimentai su klasikinėmis transformacijomis ir
ribotomis imtimis atskleidė, kad vien transformacijų nepakanka siekiant reikšmingo
duomenų įvairovės padidėjimo, taip yra argumentuojama strategija derinti jas su
sintetiniais vaizdais tiesioginiu (angl. on-the-fly) režimu.
DUOMENŲ IŠPLĖTIMO IR GENERAVIMO INTEGRAVIMAS Į KOMPIUTERINĖS REGOS MODELIUS
2026-05-28
14

13. Darbo išvados

3. Praktiškai išbandyti ir parengti generatyvūs (angl.off-line) augmentacijos metodai,
įskaitant užklausų (angl.prompt-based), GAN ir difuzijos modelių taikymo galimybių
analizę medicininių vaizdų kontekste. Empiriniai tyrimai parodė, kad DDPM užtikrina
aukštesnį stabilumą ir generuojamų patologinių požymių kokybę, nepaisant
sąlyginai didesnių diegimo sąnaudų, todėl ši kryptis identifikuota kaip perspektyvi
tolimesniems sistemingiems tyrimams.
4. Pasiūlyta metodika leido pagerinti medicininių vaizdų atpažinimo tikslumą ir
patikimumą dirbant su labai mažomis duomenų imtimis. Praktiniam taikymui
rekomenduojama pirmenybę teikti hibridiniams modeliams, kurie optimizuoja
skaičiavimo resursus, užtikrina geresnę rezultatų interpretaciją bei aukštesnį
našumą klinikinėse klasifikavimo užduotyse.
DUOMENŲ IŠPLĖTIMO IR GENERAVIMO INTEGRAVIMAS Į KOMPIUTERINĖS REGOS MODELIUS
2026-05-28
15

14. Modelių rezultatų stabilumo analizė

DUOMENŲ IŠPLĖTIMO IR GENERAVIMO INTEGRAVIMAS Į KOMPIUTERINĖS REGOS MODELIUS
2026-05-27
11

15. Sintetiniai vaizdų ir realios 20% imties palyginimas

Modelis
Sintetinė
Ribota imtis
%
Interpretacija
ResNet50
0,596
0,805
74%
Silpnas, CNN
nestabilus
sintетikai
DenseN
et-121
0,600
0,845
71%
Silpnas, tankios
jungties modelis
ConvNe
Xt-Tiny
0,820
0,860
95%
Stiprus, 82%
semantiškai
informatyvu
MobileN
et-V3
0,420
0,718
59%
Kritiškai silpnas
(42%)
96%
Stiprus,
transformeris
gerai apibendrina
92%
Geras,
hierarchinis
transformeris
ViT-B/16
Swin-T
0,805
0,791
0,838
0,859
Sintetiniai MRT vidutiniškai padengia 81% tikslumo.
DUOMENŲ IŠPLĖTIMO IR GENERAVIMO INTEGRAVIMAS Į KOMPIUTERINĖS REGOS MODELIUS
2026-05-27
11

16. Sintetinių ir 20% originalių MRT vaizdų rezultatai

Generatyviniai sintetiniai duomenys efektyviai išplečia pradinės imties pasiskirstymo tankį bei klasių įvairovę.
Modelių apmokymas su minimalia realių duomenų dalimi, ją papildžius maksimaliu sintetikos kiekiu, pasiekia
klasifikavimo tikslumą, ekvivalentų 50%-70% grynųjų realių duomenų apimčiai.
DUOMENŲ IŠPLĖTIMO IR GENERAVIMO INTEGRAVIMAS Į KOMPIUTERINĖS REGOS MODELIUS
2026-05-27
10

17. Sintetinių ir 20% originalių MRT vaizdų rezultatai

DUOMENŲ IŠPLĖTIMO IR GENERAVIMO INTEGRAVIMAS Į KOMPIUTERINĖS REGOS MODELIUS
2026-05-27
10

18. Sintetiniai ir 5% originalių MRT vaizdų rezultatai

DUOMENŲ IŠPLĖTIMO IR GENERAVIMO INTEGRAVIMAS Į KOMPIUTERINĖS REGOS MODELIUS
2026-05-27
10

19. DDPM vaizdų generavimo metrikos

FID reikalauja didelių imčių (rekomenduojama ≥10 000 vaizdų) patikimiems įverčiams — su 3
056 sintetiniais vaizdais FID dispersija būtų per didelė. Be to, Inception tinklas treniruotas ant
ImageNet, o ne MRT — jo požymių erdvė gali netiksliai atspindėti medicininę kokybę.
DUOMENŲ IŠPLĖTIMO IR GENERAVIMO INTEGRAVIMAS Į KOMPIUTERINĖS REGOS MODELIUS
2026-05-27

20. EfficientNetB0 filtras

2026-05-27