prikaz prve stranice dokumenta Primjena valićne transformacije kod algoritama za detekciju karcinoma mokraćnog mjehura
Pristup korisnicima matične ustanove
diplomski rad
Primjena valićne transformacije kod algoritama za detekciju karcinoma mokraćnog mjehura
2019. urn:nbn:hr:190:909196
Štifanić, Daniel
Sveučilište u Rijeci
Tehnički fakultet
Zavod za automatiku i elektroniku
Katedra za elektroniku, robotiku i automatiku

Citirajte ovaj rad

Štifanić, D. (2019). Primjena valićne transformacije kod algoritama za detekciju karcinoma mokraćnog mjehura (Diplomski rad). Rijeka: Sveučilište u Rijeci, Tehnički fakultet. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:190:909196

Štifanić, Daniel. "Primjena valićne transformacije kod algoritama za detekciju karcinoma mokraćnog mjehura." Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, 2019. https://urn.nsk.hr/urn:nbn:hr:190:909196

Štifanić, Daniel. "Primjena valićne transformacije kod algoritama za detekciju karcinoma mokraćnog mjehura." Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, 2019. https://urn.nsk.hr/urn:nbn:hr:190:909196

Štifanić, D. (2019). 'Primjena valićne transformacije kod algoritama za detekciju karcinoma mokraćnog mjehura', Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, citirano: 24.12.2024., https://urn.nsk.hr/urn:nbn:hr:190:909196

Štifanić D. Primjena valićne transformacije kod algoritama za detekciju karcinoma mokraćnog mjehura [Diplomski rad]. Rijeka: Sveučilište u Rijeci, Tehnički fakultet; 2019 [pristupljeno 24.12.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:190:909196

D. Štifanić, "Primjena valićne transformacije kod algoritama za detekciju karcinoma mokraćnog mjehura", Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, Rijeka, 2019. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:190:909196

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:190:909196
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovPrimjena valićne transformacije kod algoritama za detekciju karcinoma mokraćnog mjehura
Naslov (engleski)Application of waveform transformation in algorithms for the detection of bladder cancer
AutorDaniel Štifanić
MentorZlatan Car (mentor)
Član povjerenstvaNino Stojković (predsjednik povjerenstva)
Član povjerenstvaRene Prenc (član povjerenstva)
Član povjerenstvaViktor Sučić (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Rijeci
Tehnički fakultet
(Zavod za automatiku i elektroniku)
(Katedra za elektroniku, robotiku i automatiku)
Rijeka
Datum i država obrane2019-09-24, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Elektrotehnika
Sažetak
Obradom signala moguća je optimizacija i izlučivanje važnih značajki koje kasnije doprinose boljoj i jednostavnijoj analizi. Ovaj rad orijentiran je na izlučivanje značajki i detekciju karcinoma mokraćnog mjehura iz uzoraka tkiva mokraćnog mjehura koji je snimljen cistoskopijom. Izlučivanje značajki izvedeno je koristeći valićnu transformaciju uz pomoć Haar, Daubechies, Symlet i Biorthogonal valićnih funkcija na prvoj, trećoj i petoj dekompozicijskoj razini. Provođenje valićne transformacije na uzorcima rezultira aproksimacijom te horizontalnim, vertikalnim i dijagonalnim detaljima, gdje se svi detalji odbacuju a aproksimacija se koristi kao ulazni podatak u neuronsku mrežu. Neuronska mreža realizirana je optimalnom arhitekturom za osnovnu klasifikaciju. Ispitani su utjecaji valićnih funkcija i dekompozicijskih razina na točnost i performanse neuronske mreže. Prema dobivenim rezultatima vidljivo je kako uz povećanje dekompozicijske razine povećava se i brzina treniranja dok točnost ostaje približno jednaka. Treniranje neuronske mreže je do 37 puta brže ukoliko se koristi valićna transformacija na pet dekompozicijskih razina u odnosu na uzorke tkiva mokraćnog mjehura koji nisu prethodno obrađeni.
Sažetak (engleski)
With signal processing, it is possible to optimize and extract important features that can later contribute to the better and easier analysis. This paper is focused on feature extraction and bladder cancer detection form bladder tissue samples taken during cystoscopy. Feature extraction was performed using wavelet transform with Haar, Daubechies, Symlet and Biorthogonal wavelet function at the first, third, and fifth decomposition levels. The result of using wavelet transform is an approximation and horizontal, vertical, diagonal details, where all details are discarded and the approximation is used as input to the neural network. The neural network is realized with an optimal architecture for basic classification. The influences of wavelet functions and decomposition levels on the accuracy and performance of the neural network were examined. According to the obtained results, it is evident that with increasing the decomposition level, the training speed also increases while the accuracy remains approximately the same. The neural network training process is up to 37 times faster when using wavelet transform at five decomposition levels compared to bladder tissue samples that are not previously processed.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:190:909196
Studijski programNaziv: Elektrotehnika
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra inženjer/inženjerka elektrotehnike (mag. ing. el.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaPristup korisnicima matične ustanove
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2020-07-02 13:08:46