prikaz prve stranice dokumenta Primjena konvolucijskih neuronskih mreža u analizi rendgenskih slika prsnog koša
No public access
master's thesis
Primjena konvolucijskih neuronskih mreža u analizi rendgenskih slika prsnog koša
Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing, 2021. urn:nbn:hr:168:071616
Razum, Domagoj
University of Zagreb
Faculty of Electrical Engineering and Computing

Institutional repository: FER Repository

Cite this document

Razum, D. (2021). Primjena konvolucijskih neuronskih mreža u analizi rendgenskih slika prsnog koša (Master's thesis). Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing. Retrieved from https://urn.nsk.hr/urn:nbn:hr:168:071616

Razum, Domagoj. "Primjena konvolucijskih neuronskih mreža u analizi rendgenskih slika prsnog koša." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2021. https://urn.nsk.hr/urn:nbn:hr:168:071616

Razum, Domagoj. "Primjena konvolucijskih neuronskih mreža u analizi rendgenskih slika prsnog koša." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2021. https://urn.nsk.hr/urn:nbn:hr:168:071616

Razum, D. (2021). 'Primjena konvolucijskih neuronskih mreža u analizi rendgenskih slika prsnog koša', Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, accessed 25 December 2024, https://urn.nsk.hr/urn:nbn:hr:168:071616

Razum D. Primjena konvolucijskih neuronskih mreža u analizi rendgenskih slika prsnog koša [Master's thesis]. Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing; 2021 [cited 2024 December 25] Available at: https://urn.nsk.hr/urn:nbn:hr:168:071616

D. Razum, "Primjena konvolucijskih neuronskih mreža u analizi rendgenskih slika prsnog koša", Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, Zagreb, 2021. Available at: https://urn.nsk.hr/urn:nbn:hr:168:071616

Metadata
TitlePrimjena konvolucijskih neuronskih mreža u analizi rendgenskih slika prsnog koša
Title (english)Application of Convolutional Neural Networks in the Analysis of Chest X-ray Images
AuthorDomagoj Razum
MentorIgor Lacković (mentor)
Committee memberIgor Lacković (predsjednik povjerenstva)
Committee memberRatko Magjarević (član povjerenstva)
Committee memberDinko Oletić (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Electrical Engineering and Computing
Zagreb
Defense date and country2021-09-16, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Abstract
Rad se fokusira na automatsku detekciju patoloških stanja prsnog koša iz rendgenskih slika primjenom metoda dubokog učenja. Korištene su konvolucijske neuronske mreže i tehnika prijenosnog učenja u svrhu klasifikacije ChestX-Ray14 skupa podataka. Nadalje, detaljno je opisan skup podataka s 14 klasa bolesti koji je javno dostupan na službenim stranicama National Institutes of Health. Razložen je postupak gradnje arhitekture modela, učitavanja i obrade podataka, nakon čega slijedi pregled procesa treniranja i testiranja modela. Korišteni su programski jezik Python zajedno s Tensorflow bibliotekom. Arhitektura klasifikacijskog modela koristi metode prijenosnog učenja s modelom EfficientNet-B0. Zbog memorijskih zahtjeva treniranje je izvršeno na AWS servisu SageMaker. Kao metrike rezultata korišteni su ROC i AUROC. Pokriveni su i problemi koji se javljaju prilikom rada na kompleksnim i resursno zahtjevnim modelima, kao i problemi prilikom rada s nebalansiranim skupom podataka. Prosječne dobivene vrijednosti AUROC svih patoloških stanja su 0,7766 i 0,7711 za različite vrijednosti epoha. Na kraju su opisana potencijalna poboljšanja programskog rješenja u smislu odabira parametara za daljnja istraživanja.
Abstract (english)
The focus of the work is on the automatic detection of chest pathologies from x-ray images by applying deep learning methods. Convolutional neural networks and transfer learning technique have been used for the purpose of the classifying ChestX-ray14 dataset. Furthermore, dataset with 14 disease classes which is publicly available on the National Institutes of Health site has been described in details. The procedure of building a model architecture, data loading and processing is explained, after which comes an overview of model training and testing process. Programming language Python alongside Tensorflow library have been used. Classification model architecture uses transfer learning method with EfficientNet-B0 model. Due to memory requirements, training was performed on AWS service SageMaker. ROC and AUROC have been used as metrics. The problems that arise when working on complex and resource intensive models have been addressed, as well as problems when working with unbalanced dataset. The average obtained values of AUROC of all pathological conditions were 0.7766 and 0.7711 for different epochs. Finally, potential improvements of the software solution are described.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:168:071616
Study programmeTitle: Information and Communication Technology
Study programme type: university
Study level: graduate
Academic / professional title: magistar/magistra inženjer/inženjerka informacijske i komunikacijske tehnologije (magistar/magistra inženjer/inženjerka informacijske i komunikacijske tehnologije)
Type of resourceText
File originBorn digital
Access conditionsClosed access
Terms of useLicence In copyright icon
Public note
Created on2023-01-13 13:41:38