With the development of information technology, automation of various production processes is an urgent task, and medical
diagnostics is no exception. In recent decades, artificial intelligence and information technology have been widely used in computer
diagnostic systems. However, as technology advances, so do the challenges. Not every system is optimized and fast, and traditional
methods are fading into the background. Often, systems do not use cloud technologies and have unoptimized architectures. This all
affects their performance and, accordingly, is an urgent problem. The study analyzes the methods used in computer diagnostic
systems and compares them in terms of advantages and disadvantages. The scientific works related to computer diagnostic systems in
medicine for specific tasks are analyzed. The existing architectures of computer diagnostic systems are analyzed, which made it
possible to identify the use of consistent approaches to diagnosis. Based on the analyzed data, the purpose, objectives, object and
subject of the study are determined. A new architecture has been developed that uses the capabilities of U-Net for image
segmentation and convolutional neural networks for medical image classification. The developed architecture is designed to increase
the speed and automation of diagnostic processes through the use of neural networks and, accordingly, reduce human intervention.
The scientific novelty of the developed architecture lies in the parallel execution of medical image segmentation and classification
tasks, which gives a potential increase in data processing speed, and in the availability of an image generator, which solves the
problem of lack of test data for model training.
З розвитком інформаційних технологій актуальним завданням є автоматизація різних процесів виробництва, навчання
і медична діагностика не є виключенням. В останні десятиліття штучний інтелект та інформаційні технології широко
використовуються в системах комп’ютерного діагностування. Проте, з розвитком технологій, складнішими стають і
завдання. Не кожна система є оптимізованою та швидкою, традиційні методи відходять на другий план. Часто системи не
використовують хмарні технології, мають неоптимізовані архітектури. Це все впливає на їхню роботу і, відповідно, є
актуальною проблемою. У дослідженні проведено аналіз методів, що застосовуються у системах комп’ютерного
діагностування, зроблено їх порівняння з точки зору переваг та недоліків. Проаналізовано наукові праці, що стосуються
систем комп’ютерного діагностування в медицині для виконання специфічних завдань. Проведено аналіз існуючих
архітектур систем комп’ютерного діагностування, що дало змогу виявити використання послідовних підходів для
діагностування. На основі проаналізованих даних визначено мету, завдання, об’єкт та предмет дослідження. Розроблено
нову архітектуру, яка використовує можливості U-Net для сегментації зображень і згорткових нейронних мереж для
класифікації медичних зображень. Розроблена архітектура призначена для підвищення швидкості та автоматизації
діагностичних процесів за рахунок використання нейронних мереж та, відповідно, зниження участі людини. Наукова
новизна розробленої архітектури полягає у паралельному виконанні завдань сегментації та класифікації медичних
зображень, що дає потенційний приріст у швидкості опрацювання даних та у наявності генератора зображень, що дає змогу
вирішити проблему нестачі тестових даних для тренування моделей.
