Prihlásenie

Práca skúma inovatívne metódy diagnostiky porúch súvisiacich s krvou pomocou kom binácie techník strojového učenia a simulácií, najmä so zameraním na analýzu čer vených krviniek prostredníctvom simulačného modulu ESPResSo. Tento prístup umožňuje hlboký ponor do pochopenia správania červených krviniek za rôznych fyziologických podmienok generovaním numerických výstupov zo simulácií. Cieľom je využiť modely strojového učenia, najmä neurónové siete a náhodné lesy, na analýzu týchto výstupov na klasifikáciu červených krviniek na základe zmien v ich elasticite, čo môže naznačo vať prítomnosť porúch krvi. Táto nová metodológia sa snaží preklenúť priepasť medzi tradičnými diagnostickými technikami a obrovským potenciálom výpočtovej analýzy a ponúka presnejší a efektívnejší diagnostický nástroj. Hlavným cieľom práce je presahovať rámec numerickej analýzy údajov transfor máciou výstupov simulácie do dynamických vizuálnych reprezentácií. Zahŕňa to gen erovanie videí na zachytenie správania červených krviniek v toku krvi, ktoré sa ďalej spracúvajú modelmi strojového učenia na účely klasifikácie. Tento duálny prístup, ktorý zahŕňa numerické aj vizuálne údaje, má za cieľ zlepšiť diagnostický proces poskytnutím komplexného pohľadu na dynamiku červených krviniek. Využitím pokročilých techník strojového učenia výskum sľubuje výrazné zlepšenie presnosti krvnej diagnos tiky, uľahčenie včasnej detekcie a liečby porúch. Konečný cieľ práce je návrh a trénovanie modelu strojového učenia schopného klasi f ikovať červené krvinky s vysokou účinnosťou pomocou video údajov odvodených zo simulácií. To zahŕňa použitie stratégií hlbokého učenia, aby sa model naučil rozpozná vať zložité vzorce správania červených krviniek, čím sa položili základy pre vývoj ro bustného diagnostického rámca. Prostredníctvom tejto inovatívnej integrácie výpoč tových simulácií, vizuálnej analýzy a umelej inteligencie práca prispieva k pokroku v diagnostike krvi a otvára dvere pre personalizovanejšie a presnejšie riešenia zdravotnej starostlivosti pri liečbe porúch súvisiacich s krvou. Kľúčové slová: neurónové siete, simulácie, elasticita červených krviniek

The thesis explores innovative methods for diagnosing blood-related disorders using a combination of machine learning techniques and simulations, particularly focusing on the analysis of red blood cells through the ESPResSo simulation module. This approach enables a deep dive into understanding red blood cell behavior under various physiological conditions by generating numerical outputs from simulations. The goal is to employ machine learning models, notably neural networks and random forests, to analyze these outputs for classifying RBCs based on changes in their elasticity, which can indicate the presence of blood disorders. This novel methodology seeks to bridge the gap between traditional diagnostic techniques and the vast potential of computational analysis, offering a more precise and efficient diagnostic tool. The thesis’s core goal is to extend beyond numerical data analysis by transforming the simulation outputs into dynamic visual representations. This involves generating videos to capture the behaviors of red blood cells in blood flow, further processed by machine learning models for classification purposes. This dual approach, encompassing both numerical and visual data, aims to enhance the diagnostic process by providing a comprehensive view of RBC dynamics. By leveraging advanced machine learning tech niques, the research promises to significantly improve the accuracy of blood diagnostics, facilitating early detection and treatment of disorders. The final goal of the thesis revolves around designing and training a machine learn ing model capable of classifying red blood cells with high efficiency, using video data derived from simulations. This involves employing deep learning strategies to teach the model to recognize complex patterns in red blood cell behavior, laying the groundwork for developing a robust diagnostic framework. Through this innovative integration of computational simulations, visual analysis, and artificial intelligence, the thesis con tributes to the advancement of blood diagnostics, opening the door for more personal ized and precise healthcare solutions in treating blood-related disorders. Keywords: neural networks, simulations, red blood cell elasticity