Բունիաթյան, Դավիթ Գագիկի

Информатика

Այս աշխատությունը վերաբերում է կենսաբժշկական պատկերների վերլուծության համար խորը ուսուցման (deep learning) հիման վրա տարաբաշխված ամպային (cloud-based distributed) մեթոդների մշակմանը՝ ընդգծելով արհեստական բանականության, բժշկական ինֆորմատիկայի և բարձր արդյունավետ հաշվարկային համակարգերի փոխկապակցվածությունը։ Հետազոտության հիմնական նպատակն է մշակել և ուսումնասիրել այն ալգորիթմական և ճարտարապետական լուծումները, որոնք թույլ են տալիս մեծ ծավալի բժշկական պատկերային տվյալների (MRI, CT, PET և այլն) ավտոմատ մշակումը, դասակարգումը և ախտորոշիչ մեկնաբանումը՝ օգտագործելով խորը նեյրոնային ցանցեր և ամպային հաշվարկային ռեսուրսներ։ Ուսումնասիրվում են մոդելների ուսուցման բաշխված մոտեցումները՝ տվյալների և հաշվարկների բաժանումը մի քանի սերվերների միջև, ինչպես նաև GPU/TPU-ների օգտագործմամբ բարձր արդյունավետության ապահովումը։ Հատուկ ուշադրություն է դարձվում պատկերների սեգմենտացիայի, օբյեկտների ճանաչման և պաթոլոգիական օջախների ավտոմատ հայտնաբերման խնդիրներին՝ կոնվոլյուցիոն նեյրոնային ցանցերի և տրանսֆորմերային մոդելների կիրառմամբ։ Աշխատությունը նաև դիտարկում է տվյալների անվտանգության, գաղտնիության պահպանման և բժշկական ինֆորմացիայի փոխանցման ստանդարտների կարևորությունը ամպային միջավայրում։ Միաժամանակ վերլուծվում են համակարգի մասշտաբայնության, արագագործության և կլինիկական կիրառելիության խնդիրները՝ իրական բժշկական միջավայրում արդյունավետ ներդրման տեսանկյունից։ Այսպիսով, ուսումնասիրությունը կարևոր ներդրում է բժշկական ինֆորմատիկայի և արհեստական բանականության ոլորտում՝ նպաստելով կենսաբժշկական պատկերների ավտոմատացված վերլուծության և ախտորոշման ժամանակակից համակարգերի զարգացմանը։