2026 m. birželio 1 d., 13 val.
Vilnius, Akademijos g. 4, 203 kab.
Nuotoliniu būdu „MS Teams“ aplinkoje (https://bit.ly/DMSTI_2026-06-01)
Raimondas Juškys
(vadovė prof. dr. Audronė Jakaitienė)
„Mašininio mokymosi metodų taikymas glioblastomų ir solitarinių smegenų metastazių diferencinei diagnostikai MRT vaizduose remiantis radiomikos požymiais“
Santrauka: Pranešime pateikiama vykdomos disertacijos tyrimo eiga. Naudojami tarptautinio "BraTS 2025 Lighthouse Challenge“ iššūkio duomenų rinkiniai (BraTS-GLI ir BraTS-METS) su glioblastomų ir metastazių magnetinio rezonanso tomografijos konvencinėmis sekomis (T1, T1c, T2, T2-FLAIR). Pristatyme numatoma aptarti vaizdų pirminio apdorojimo metodus (image-level preprocessing), duomenų filtravimą, radiomikos požymių gavybos bei požymių lygmens duomenų pirminį apdorojimą (feature-level preprocessing) ir mašininio mokymosi modeliavimo aspektus sprendžiant binarinės klasifikacijos uždavinį. Taip pat planuojama aptarti požymių svarbos analizės rezultatus bei svarbiausių požymių vizualizacijos galimybės MRT vaizduose siekiant pagerinti klasifikavimo modelių interpretabilumą.
Saulius Grigaitis
(vadovas prof. dr. Igoris Belovas)
„Mažų fiksuotos bazės multi-skaliarinės daugybos uždavinių optimizavimas“
Santrauka: Multi-scalar multiplication (MSM) is a core operation in elliptic curve cryptography, where performance is strongly influenced by the choice of algorithm and precomputation strategy. This work proposes three extensions of BGMW-style bucket methods aimed at improving performance for small fixed-base MSM instances. Extension I introduces precomputed combinations of two and three points within structured chunks, Extension II incorporates Booth encoding with signed representations, and Extension III adds overlapping chunk structures. The proposed methods are evaluated on the BLS12-381 curve and compared against a Fixed Window baseline. Experimental results show substantial speedups for small MSM sizes, reaching over 3× in the best cases, while performance gains diminish for larger instances due to increased precomputation overhead. Overall, the results demonstrate that carefully designed precomputation can significantly accelerate MSM in the small-instance regime under moderate memory budgets.