prikaz prve stranice dokumenta Primjena konvolucijskih neuronskih mreža za detekciju i klasifikaciju tumora mozga
  Download
PDF 4.94 MB
master's thesis
Primjena konvolucijskih neuronskih mreža za detekciju i klasifikaciju tumora mozga
2022. urn:nbn:hr:190:212317
Ivoš, Natalija
University of Rijeka
Faculty of Engineering
Department of Automation and Electronics
Section of Electronics, Robotics and Automation

Cite this document

Ivoš, N. (2022). Primjena konvolucijskih neuronskih mreža za detekciju i klasifikaciju tumora mozga (Master's thesis). Rijeka: University of Rijeka, Faculty of Engineering. Retrieved from https://urn.nsk.hr/urn:nbn:hr:190:212317

Ivoš, Natalija. "Primjena konvolucijskih neuronskih mreža za detekciju i klasifikaciju tumora mozga." Master's thesis, University of Rijeka, Faculty of Engineering, 2022. https://urn.nsk.hr/urn:nbn:hr:190:212317

Ivoš, Natalija. "Primjena konvolucijskih neuronskih mreža za detekciju i klasifikaciju tumora mozga." Master's thesis, University of Rijeka, Faculty of Engineering, 2022. https://urn.nsk.hr/urn:nbn:hr:190:212317

Ivoš, N. (2022). 'Primjena konvolucijskih neuronskih mreža za detekciju i klasifikaciju tumora mozga', Master's thesis, University of Rijeka, Faculty of Engineering, accessed 23 January 2025, https://urn.nsk.hr/urn:nbn:hr:190:212317

Ivoš N. Primjena konvolucijskih neuronskih mreža za detekciju i klasifikaciju tumora mozga [Master's thesis]. Rijeka: University of Rijeka, Faculty of Engineering; 2022 [cited 2025 January 23] Available at: https://urn.nsk.hr/urn:nbn:hr:190:212317

N. Ivoš, "Primjena konvolucijskih neuronskih mreža za detekciju i klasifikaciju tumora mozga", Master's thesis, University of Rijeka, Faculty of Engineering, Rijeka, 2022. Available at: https://urn.nsk.hr/urn:nbn:hr:190:212317

Please login to the repository to save this object to your list.
Metadata
TitlePrimjena konvolucijskih neuronskih mreža za detekciju i klasifikaciju tumora mozga
Title (english)Application of convolutional neural networks for detection and classification of brain tumors
AuthorNatalija Ivoš
MentorZlatan Car (mentor)
Committee memberSaša Vlahinić (predsjednik povjerenstva)
Committee memberZlatan Car (član povjerenstva)
Committee memberIvan Volarić (član povjerenstva)
GranterUniversity of Rijeka
Faculty of Engineering
(Department of Automation and Electronics)
(Section of Electronics, Robotics and Automation)
Rijeka
Defense date and country2022-09-27, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Basic Technical Sciences
Automatics
Abstract
Tumor mozga skup je abnormalnih stanica u mozgu koje oštećuju zdrave moždane stanice. Dijagnoza i utvrđivanje točne vrste i stupnja tumora u ranim stadijima igraju važnu ulogu u odabiru odgovarajućeg plana liječenja. Nedavni napredak u području dubokog učenja pomogao je zdravstvenoj industriji u dijagnosticiranju mnogih bolesti. Konvolucijska neuronska mreža (CNN) najrašireniji je i najčešće korišten algoritam za vizualno učenje i prepoznavanje slika. Predloženi rad uključuje pristup duboke neuronske mreže i modele VGG16, AlexNet, ResNet50, DenseNet121 i prilagođenu arhitektura temeljenu na CNN-u za klasificiranje magnetske rezonancije (MRI) u četiri kategorije. Duboke mreže zajedno s prijenosnim učenjem treniraju se i testiraju korištenjem tri različita optimizacijska algoritma (Adam, SGD i RMSprop) koristeći javno dostupne podatke koji se sastoje od 7022 MRI slike. Predloženi sustavi postigli su zadovoljavajuće rezultate u pogledu višerazredne klasifikacije.
Abstract (english)
A brain tumor is a collection of abnormal cells in the brain that damage healthy brain cells. Diagnosis and identification of the exact type and stage of the tumor in the early stages play an important role in choosing the appropriate treatment plan. Recent advances in the field of deep learning have helped the healthcare industry in the diagnosis of many diseases. A convolutional neural network (CNN) is the most widespread and most used algorithm for visual learning and image recognition. The proposed work includes a deep neural network approach and models VGG16, AlexNet, ResNet50, DenseNet121 and a custom CNN-based architecture to classify magnetic resonance imaging (MRI) into four categories. Deep transfer learning networks are trained and tested using three different optimization algorithms (Adam, SGD and RMSprop) on publicly available dataset containing 7022 MRI images. The proposed systems achieved satisfactory results in terms of multi-class classification.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:190:212317
Study programmeTitle: Graduate University Study of Electrical Engineering
Study programme type: university
Study level: graduate
Academic / professional title: magistar/magistra inženjer/inženjerka elektrotehnike (magistar/magistra inženjer/inženjerka elektrotehnike)
Type of resourceText
File originBorn digital
Access conditionsOpen access
Terms of useLicence Attribution 4.0 International (CC BY 4.0) icon
Created on2022-09-28 20:26:29