prikaz prve stranice dokumenta Klasifikacija histopatoloških snimaka dijelova limfnih čvorova pomoću strojnog učenja
Rad nije dostupan
diplomski rad
Klasifikacija histopatoloških snimaka dijelova limfnih čvorova pomoću strojnog učenja
Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2019. urn:nbn:hr:168:732742
Pluščec, Domagoj
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Institucijski repozitorij: Repozitorij FER-a

Citirajte ovaj rad

Pluščec, D. (2019). Klasifikacija histopatoloških snimaka dijelova limfnih čvorova pomoću strojnog učenja (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:732742

Pluščec, Domagoj. "Klasifikacija histopatoloških snimaka dijelova limfnih čvorova pomoću strojnog učenja." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2019. https://urn.nsk.hr/urn:nbn:hr:168:732742

Pluščec, Domagoj. "Klasifikacija histopatoloških snimaka dijelova limfnih čvorova pomoću strojnog učenja." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2019. https://urn.nsk.hr/urn:nbn:hr:168:732742

Pluščec, D. (2019). 'Klasifikacija histopatoloških snimaka dijelova limfnih čvorova pomoću strojnog učenja', Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 21.12.2024., https://urn.nsk.hr/urn:nbn:hr:168:732742

Pluščec D. Klasifikacija histopatoloških snimaka dijelova limfnih čvorova pomoću strojnog učenja [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2019 [pristupljeno 21.12.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:732742

D. Pluščec, "Klasifikacija histopatoloških snimaka dijelova limfnih čvorova pomoću strojnog učenja", Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2019. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:732742

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:732742
Podaci o radu
NaslovKlasifikacija histopatoloških snimaka dijelova limfnih čvorova pomoću strojnog učenja
Naslov (engleski)Classification of Histopathologic Scans of Lymph Node Sections Using Machine Learning
AutorDomagoj Pluščec
MentorMarko Čupić (mentor)
Član povjerenstvaMarko Čupić (predsjednik povjerenstva)
Član povjerenstvaŽeljka Mihajlović (član povjerenstva)
Član povjerenstvaAlan Jović (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2019-07-10, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Sažetak
Prilikom analize histopatoloških slika ukazuje se potreba za automatiziranim sustavom koji bi mogao pomoći doktorima u analizi slika i dijagnostici. Takav sustav bi mogao povećati točnost i brzinu analize i dijagnostike. U okviru ovog rada dan je pregled područja analize histopatoloških slika te je izrađena programska implementacija za klasifikaciju limfnih čvorova temeljena na strojnom učenju. Za učenje i testiranje modela strojnog učenja korišten je skup podataka PatchCamelyon. Ispitani su rezultati koje postižu sljedeći modeli dubokog učenja: AlexNet, ResNet, DenseNet i Inception-v3 te kako na njihove rezultate utječu tehnike proširenja skupa podataka. Konačno najboljim se pokazao model Inception-v3 koji je na skupu za testiranje postigao točnost od 89%.
Sažetak (engleski)
When analyzing histopathological images, there is a need for an automated system that could help doctors in image analysis and diagnostics. Such a system could increase the accuracy and speed of analysis and diagnostics. Within this paper, an overview of the histopathological image analysis area is provided and a program implementation for the classification of lymph nodes based on machine learning has been developed. PatchCamelyon dataset has been used for training and testing of chosen machine learning models. The results of the following deep learning models have been studied: AlexNet, ResNet, DenseNet, Inception-v3. Also, the influence of different data augmentation methods on the model performance was investigated. Finally, the Inception-v3 model proved to be the best, which reached the 89% accuracy on the test set.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:168:732742
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaZatvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Javna napomena
Datum i vrijeme pohrane2020-01-07 21:25:05