bachelor's thesis
Ardit Nela (Avtor), Danijel Skočaj (Mentor)

Povzetek

As technology continues to advance, many different fields are exploring the benefits of machine learning, and medicine is no exception. The application of machine learning in medicine has the potential to revolutionize the way we approach patient care and disease diagnosis. One area in which machine learning has shown particular promise is the analysis of medical imaging. For example, chest X-rays are a common diagnostic tool used to detect a variety of lung diseases, including pneumonia, hernia, and cardiomegaly. However, accurately interpreting X-ray images requires significant expertise and experience on the part of a medical professional. In the thesis, we discuss the problem of automatic classification of X-ray images. We use data collected and labeled by the NIH to train a state-of-the-art machine learning model based on deep neural networks to detect any issues in the X-ray scan. We compared different architectures and determined that ResNet101 and Transformers performed the best. Using these models alongside transfer learning resulted in mean AUC scores of approximately 0.795.

Ključne besede

X-ray images;classification of X-ray images;medical imaging;neural networks;deep learning;computer vision;image classification;diploma thesis;

Podatki

Jezik: Angleški jezik
Leto izida:
Tipologija: 2.11 - Diplomsko delo
Organizacija: UL FRI - Fakulteta za računalništvo in informatiko
Založnik: [A. Nela]
UDK: 004.93:004.85:528.854(043.2)
COBISS: 169373955 Povezava se bo odprla v novem oknu
Št. ogledov: 57
Št. prenosov: 26
Ocena: 0 (0 glasov)
Metapodatki: JSON JSON-RDF JSON-LD TURTLE N-TRIPLES XML RDFA MICRODATA DC-XML DC-RDF RDF

Ostali podatki

Sekundarni jezik: Slovenski jezik
Sekundarni naslov: Klasifikacija rentgenskih slik z uporabo globokega učenja
Sekundarni povzetek: Ker tehnologija še naprej napreduje, različna področja raziskujejo prednosti strojnega učenja, in medicina ni nobena izjema. Uporaba strojnega učenja v medicini ima potencial, da bistveno spremeni način, kako pristopamo k oskrbi pacientov in diagnozi bolezni. Eno izmed področj na katerem je strojno učenje pokazalo posebno obetavne rezultate, je analiza medicinskih slik. Na primer, rentgenski posnetki prsnega koša so pogosto diagnostično orodje, ki se uporablja za odkrivanje različnih pljučnih bolezni, vključno s pljučnico, kilo in kardiomegalijo. Vendar pa za natančno interpretacijo rentgenskih slik potrebujemo strokovnost in izkušnje s strani zdravstvenih strokovnjakov. V diplomskem delu obravnavamo problem avtomatske klasifikacije rentgenskih slik. Za učenje modela, ki temelji na globokih nevronskih mrežah za zaznavanje morebitnih nepravilnosti na rentgenskem posnetku, uporabljamo podatke, zbrane in označene s strani NIH. Primerjali smo različne arhitekture in ugotovili, da se ResNet101 in Transformers najbolje izkažeta. Z uporabo teh dveh modelov smo dosegli povprečne AUC ocene približno 0,795.
Sekundarne ključne besede: rentgenske slike;klasifikacija rentgenskih slik;klasifikacija slik;medicinske slike;nevronske mreže;visokošolski strokovni študij;diplomske naloge;Globoko učenje (strojno učenje);Računalniški vid;Rentgenska diagnostika;Računalništvo;Univerzitetna in visokošolska dela;
Vrsta dela (COBISS): Diplomsko delo/naloga
Študijski program: 1000470
Konec prepovedi (OpenAIRE): 1970-01-01
Komentar na gradivo: Univ. v Ljubljani, Fak. za računalništvo in informatiko
Strani: 50 str.
ID: 21439493