prikaz prve stranice dokumenta Primjena konvolucijskih neuronskih mreža za detekciju i klasifikaciju tumora mozga
  Preuzmi
PDF 4.94 MB
diplomski rad
Primjena konvolucijskih neuronskih mreža za detekciju i klasifikaciju tumora mozga
2022. urn:nbn:hr:190:212317
Ivoš, Natalija
Sveučilište u Rijeci
Tehnički fakultet
Zavod za automatiku i elektroniku
Katedra za elektroniku, robotiku i automatiku

Citirajte ovaj rad

Ivoš, N. (2022). Primjena konvolucijskih neuronskih mreža za detekciju i klasifikaciju tumora mozga (Diplomski rad). Rijeka: Sveučilište u Rijeci, Tehnički fakultet. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:190:212317

Ivoš, Natalija. "Primjena konvolucijskih neuronskih mreža za detekciju i klasifikaciju tumora mozga." Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, 2022. https://urn.nsk.hr/urn:nbn:hr:190:212317

Ivoš, Natalija. "Primjena konvolucijskih neuronskih mreža za detekciju i klasifikaciju tumora mozga." Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, 2022. https://urn.nsk.hr/urn:nbn:hr:190:212317

Ivoš, N. (2022). 'Primjena konvolucijskih neuronskih mreža za detekciju i klasifikaciju tumora mozga', Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, citirano: 23.12.2024., https://urn.nsk.hr/urn:nbn:hr:190:212317

Ivoš N. Primjena konvolucijskih neuronskih mreža za detekciju i klasifikaciju tumora mozga [Diplomski rad]. Rijeka: Sveučilište u Rijeci, Tehnički fakultet; 2022 [pristupljeno 23.12.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:190:212317

N. Ivoš, "Primjena konvolucijskih neuronskih mreža za detekciju i klasifikaciju tumora mozga", Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, Rijeka, 2022. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:190:212317

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:190:212317
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovPrimjena konvolucijskih neuronskih mreža za detekciju i klasifikaciju tumora mozga
Naslov (engleski)Application of convolutional neural networks for detection and classification of brain tumors
AutorNatalija Ivoš
MentorZlatan Car (mentor)
Član povjerenstvaSaša Vlahinić (predsjednik povjerenstva)
Član povjerenstvaZlatan Car (član povjerenstva)
Član povjerenstvaIvan Volarić (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 obrane2022-09-27, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Temeljne tehničke znanosti
Automatika
Sažetak
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.
Sažetak (engleski)
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.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:190:212317
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 pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Imenovanje 4.0 međunarodna (CC BY 4.0)
Datum i vrijeme pohrane2022-09-28 20:26:29