Иван Никишев
ML разработчик • Инженер по компьютерному зрению • Младший (Junior)
От 70 000 ₽ • Ищу работу
Контакты
Возраст: 24 года
Регистрация: 04.08.2024
Последний визит: 1 месяц назад
Гражданство: Россия
Местоположение: Россия, Москва
Дополнительно: готов к удаленной работе
Знание языков: Английский С1
Обо мне
Мой GitHub - https://github.com/inikishev
- Закончил магистратуру с отличием, защитил магистерскую работу на тему сегментации глиобластомы на объёмных МРТ изображениях.
- Имею опыт по разработке моделей для компьютерного зрения, сегментации (U-Net, SegResNet) с нуля на PyTorch.
- Так как при обучении модели пришлось перебрать много наборов данных, имею опыт работы с различными медицинскими форматами (DICOM, NiFTI), обработки табличной разметки через Pandas и Polars, выстраивания пайплайна обучения для разных датасетов.
- Хорошо знаком с библиотекой ITK, так как использовал её для совмещения МРТ изображений и постобработки сегментации.
- Во время обучения я также работал с классическими методами машинного обучения (Scikit), AutoML (autogluon), подбор гиперпараметров (Optuna).
Сам также проходил курсы "Practical Deep Learning for Coders - Fast.ai", "Dive into Deep Learning", изучал Julia и библиотеки для автоматической дифференциации Zygote и Enzyme, много работал с аудио (numpy, Librosa, madmom, pedalboard.io). Знаком с веб-разработкой, так как проходил курс профессиональной переподготовки по программе «Разработка веб - приложений», получил диплом. Хорошо владею английским, во II Всероссийской олимпиады по иностранным языкам среди студентов неязыковых специальностей занял третье место.
Навыки
PyTorch
Python
Deep Learning
Компьютерное зрение
Нейронные сети
Машинное обучение
NumPy
Английский язык
Git
Linux
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.