Пока никто не оставил комментариев к этой публикации.
Вы можете быть первым.

1. Касаткин А.А., Лиманова Н.И., Козлов В.В. Разработка и применение алгоритмов машинного зрения и обработки изображений // Тенденции развития науки и образования. – 2023. – № 98-10. – С. 58–61.
2. Аверкин А.Н., Волков Е.Н., Ярушев С.А. Объяснительный искусственный интеллект в анализе цифровых изображений на основе нейронных сетей глубокого обучения // Известия Российской академии наук. Теория и системы управления. – 2024. – № 1. – С. 150–178.
3. Сухих Г.Т., Давыдов Д.Г., Логинов В.В. Состояние и перспективы внедрения технологий искусственного интеллекта в акушерско-гинекологическую практику // Акушерство и гинекология. – 2021. – № 2. – С. 5–12.
4. Наркевич А. Н. Т., Мамедов Х., Дзюба Д. В. Распознавание диабетической ретинопатии на цифровых изображениях глазного дна с применением сверточных нейронных сетей глубокого обучения // Технологии живых систем. – 2023. – Т. 20, № 1. – С. 55–61.
5. Дмитриева В.В., Тупицын Н.Н., Поляков Е.В., Денисюк С.С. Метод мультиклассификации клеток костного мозга для диагностики острых лейкозов и минимальной остаточной болезни (на материале лаборатории гемопоэза Национального медицинского исследовательского центра онкологии
   им. Н.Н. Блохина) // Системный анализ и управление в биомедицинских системах. – 2020. – Т. 19, № 3. – С. 155–158.
6. Елагина Е.А., Маргун А.А. Исследование методов машинного обучения в задаче идентификации клеток крови // Научно-технический вестник информационных технологий, механики и оптики. – 2021. – Т. 21, № 6. – С. 903–911.
7. Сафьянникова Е.А., Крюков А.И., Кунельская Н.Л. Возможности нейросети в диагностике новообразований гортани // Digital Diagnostics. – 2024. – Т. 5, № S1. – С. 98–101.
8. Шабалин В.В., Захарова Г.П., Кривопалов А.А. Выявление структурных маркеров хронического риносинусита на изображениях твердой фазы биологических жидкостей // Российская ринология. – 2023. – Т. 31, № 4. – С. 245–251.
9. Наркевич А. Н., Виноградов К. А., Параскевопуло К. М., Мамедов Т. Х. Интеллектуальные методы анализа данных в биомедицинских исследованиях: сверточные нейронные сети // Экология человека. – 2021. – № 5. – С. 53–64.
10. Velikanova A.S., Polshchykov K.A., Likhosherstov R.V., Polshchykova A.K. The use of virtual reality and fuzzy neural network tools to identify the focus on achieving project results // Journal of Physics: Conference Series. 2nd International Scientific Conference on Artificial Intelligence and Digital Technologies in Technical Systems 2021, Volgograd. – 2021. – Vol. 2060. – P. 173707.
11. Польщиков К. А., Лазарев С. А., Константинов И. С. Модель для оценки эффективности выполнения робототехнической системой коммуникативных функций // СТИН. – 2020. – № 6. – С. 4–7.
12. Rvachova N., Sokol G., Polschykov K., Davies J. N. Selecting the intersegment interval for TCP in telecomms networks using fuzzy inference system / // 2015 Internet Technologies and Applications, ITA 2015 – Proceedings of the 6th International Conference. – Wrexham, 2015. – P. 256–260.
13. Konstantinov I.S., Polshchykov K.O., Lazarev S.A. The Algorithm for Neuro-Fuzzy Controlling the Intensity of Retransmission in a Mobile Ad-Hoc Network // International Journal of Applied Mathematics and Statistics. – 2017. – Vol. 56, Issue No. 2. – PP. 85–90.
14. Polshchykov K.O., Lazarev S.A., Zdorovtsov A.D. Neuro-Fuzzy Control of Data Sending in a Mobile Ad Hoc Network // Journal of Fundamental and Applied Sciences. – 2017. – Vol 9, No 2S. – PP. 1494–1501.
15. Махди Т.Н., Игитян Е.В., Польщиков К.А., Корсунов Н.И. Оценивание эффективности функционирования диалоговой системы на основе применения нечеткого вывода с нейросетевой настройкой // Экономика. Информатика. – 2022. – Т. 49. – № 2. – С. 356–374.
16. Polshchykov K.A., Velikanova A.S., Igityan E.V. Neural network natural language processing tools for identifying personal priorities in the project performers selection in the field of smart agriculture // IOP Conference Series: Earth and Environmental Science. – 2022. – Vol. 1069. – 012012.
17. Bhardwaj H., Tomar P., Sakalle A., Sharma U. Principles and Foundations of Artificial Intelligence and Internet of Things Technology // Artificial Intelligence to Solve Pervasive Internet of Things Issues. –  2021. – P. 377–392.
18. Grossi E., Buscema M. Introduction to artificial neural networks // European Journal of Gastroenterology & Hepatology. – 2007. – Vol. 19(12). – P. 1046–1054.
19. Capizzi G., Coco S., Lo Sciuto G., Napoli C. A new iterative fir filter design approach using a Gaussian approximation // IEEE Signal Processing Letters. – 2015. – Vol. 25. – P. 1615–1619.
20. Chen Y., Zhang C., Liu C. et al. Atrial Fibrillation Detection Using a Feedforward Neural Network // Journal of Medical and Biological Engineering. – 2022. – Vol. 42. – P. 63–73.
21. Sayal A. et al. Neural Networks and Machine Learning // 2023 IEEE 5th International Conference on Cybernetics, Cognition and Machine Learning Applications (ICCCMLA). – Hamburg, 2023. – P. 58–63.
22. Roy S., Bhalla K., Patel R. Mathematical analysis of histogram equalization techniques for medical image enhancement: a tutorial from the perspective of data loss // Multimedia Tools and Applications. – 2024. – Vol. 83. – P. 14363–14392.
23. Acharya U.K., Kumar S. Genetic algorithm based adaptive histogram equalization (GAAHE) technique for medical image enhancement // Optik. – 2021. – Vol. 230. – P. 166273.
24. Bachiega de Almeida T., Carlos Pedrino E., Merino Fernandes M. Complex Morphological Filtering for Serial, Parallel, GPU, SoC, PetaLinux and FPGA Execution // IEEE Latin America Transactions. – 2020. – Vol. 18(10). – P. 1675–1682.