Контакты
Обо мне
+7-985-122-83-39 | nkshv2@gmail.com | https://github.com/inikishev
ОБРАЗОВАНИЕ
Магистратура: ФГАОУ ВО «Московский политехнический университет, 09.04.01 Информатика и вычислительная техника, профиль - медицинские интеллектуальные системы, красный диплом.
Бакалавриат: ФГАОУ ВО «Московский политехнический университет», 27.03.05 Инноватика
ОПЫТ
Дипломный проект магистра
- Разработал и обучил модель мультиклассовой семантической сегментации глиобластом (опухолей головного мозга) на объёмных послеоперационных снимках МРТ.
- Архитектура была основана на U-Net с остаточными (residual) блоками и реализована на PyTorch с нуля.
- Модель производила сегментацию на отдельных срезах объёмного изображения, при этом имела доступ к нескольким соседним срезам для интеграции объёмной информации.
- Обучение производилось на RHUH-GBM с 40 пациентами. Коэф. сёренсена (основная метрика качества сегментации) равен 0.7. На момент написания диплома в литературе был получен коэффициент 0.63.
Дипломный проект бакалавриата
- Задача, связанная с оптимизацией объёмной сетки - была смоделирована поддерживающая коляски для животных, и модель была оптимизирована методом конечных элементов для максимизации прочности.
- В результате оптимизации коэффициент запаса прочности был повышен с 2.17 до 2.51 с таким же расходом материала.
EMC Medical School
- Работа по договору в сфере машинного обучения.
НАВЫКИ
Языки: Python, Julia, SQL, JavaScript
Библиотеки: PyTorch, Transformers, NumPy, SciPy, Pandas/Polars, Matplotlib, ITK, sklearn, AutoGluon, OpenCV, Optuna, Nevergrad
Инструменты: VS Code, Git, Linux, WSL, Pip, Conda
Теоретические знания: классические методы (линейная регресиия, случайный лес, градиентный бустинг и т.д), нейронные сети, свёрточные слои, U-Net, трансформеры, градиентный спуск, метод Ньютона в оптимизации, RMSProp/AdaGrad/Adam, метод конечных разностей.
Владение английским: владею на высоком уровне, занял третье место во II Всероссийской олимпиады по иностранным языкам среди студентов неязыковых специальностей.
Навыки
Высшее образование
- Институт принтмедиа и информационных технологийСентябрь 2022 — Июль 2024 (1 год и 10 месяцев)
Закончил с отличием магистратуру по направление «Информатика и вычислительная техника», профиль - медицинские интеллектуальные системы.
В рамках дипломной работы я производил объёмную сегментацию послеоперационных МРТ изображений глиобластомы глубокими свёрточными нейронными сетями на PyTorch.В качества датасета использовал RHUH-GBM, так как он на тот момент был единственным. В датасете всего 120 обследований, но если обучать модель на 2D срезах, всего разных срезов получается 20 тысяч. Кроме того, для предобучения я использовал большой набор дооперационных изображений глиобластомы BRaTS2024-GoAT, где есть 2000 обследований.
Были протестированы и оценены различные архитектуры (варианты U-Net, SegResNet, HighResNet), лучше всего с задачей справляется SegResNet (архитектура похожа на U-Net, но пропускающие соединения суммируют, а не конкатенируют). Кроме того, удалось повысить качество сегментации, подавая на вход модели несколько соседних срезов.
Модель была испытана на реальных изображениях из клиники, которые, как оказалось, отличаются по параметрам МРТ от набора данных. Однако, используя достаточно агрессивные случайные преобразования, удалось заставить модель адекватно сегментировать и сильно отличающиеся от обучающей выборки изображения. В итоге на тестовой выборке из RHUH получен коэффициент Сёренсена в 0.88 для усиливающей опухоли (наиболее клинически важный из 4 классов сегментации). Для новых изображений экпертной сегментации нет, но эксперт оценил качество сегментации как высокое.
Кроме самой модели я делал для неё pipeline для импорта DICOM обследований, совмещения, удаления черепа, и постобработки сегментации, и интерфейс, позволяющий получать объёмную сегментацию на основании DICOM файлов.
В целом получил значительный опыт работы с моделями для обработки изображений и объёмных данных, сегментации, и работы медицинскими изображениями и форматами данных.