prikaz prve stranice dokumenta Razvoj sustava temeljenog na AI algoritmima za segmentaciju moždanih lezija u svrhu dijagnosticiranja multiple skleroze
  Preuzmi
PDF 10.36 MB
diplomski rad
Razvoj sustava temeljenog na AI algoritmima za segmentaciju moždanih lezija u svrhu dijagnosticiranja multiple skleroze
Rijeka: Sveučilište u Rijeci, Tehnički fakultet, 2023. urn:nbn:hr:190:205753
Hlebar, Josip
Sveučilište u Rijeci
Tehnički fakultet

Institucijski repozitorij: Repozitorij Tehničkog fakulteta u Rijeci

Citirajte ovaj rad

Hlebar, J. (2023). Razvoj sustava temeljenog na AI algoritmima za segmentaciju moždanih lezija u svrhu dijagnosticiranja multiple skleroze (Diplomski rad). Rijeka: Sveučilište u Rijeci, Tehnički fakultet. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:190:205753

Hlebar, Josip. "Razvoj sustava temeljenog na AI algoritmima za segmentaciju moždanih lezija u svrhu dijagnosticiranja multiple skleroze." Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, 2023. https://urn.nsk.hr/urn:nbn:hr:190:205753

Hlebar, Josip. "Razvoj sustava temeljenog na AI algoritmima za segmentaciju moždanih lezija u svrhu dijagnosticiranja multiple skleroze." Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, 2023. https://urn.nsk.hr/urn:nbn:hr:190:205753

Hlebar, J. (2023). 'Razvoj sustava temeljenog na AI algoritmima za segmentaciju moždanih lezija u svrhu dijagnosticiranja multiple skleroze', Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, citirano: 25.12.2024., https://urn.nsk.hr/urn:nbn:hr:190:205753

Hlebar J. Razvoj sustava temeljenog na AI algoritmima za segmentaciju moždanih lezija u svrhu dijagnosticiranja multiple skleroze [Diplomski rad]. Rijeka: Sveučilište u Rijeci, Tehnički fakultet; 2023 [pristupljeno 25.12.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:190:205753

J. Hlebar, "Razvoj sustava temeljenog na AI algoritmima za segmentaciju moždanih lezija u svrhu dijagnosticiranja multiple skleroze", Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, Rijeka, 2023. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:190:205753

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:190:205753
Podaci o radu
NaslovRazvoj sustava temeljenog na AI algoritmima za segmentaciju moždanih lezija u svrhu dijagnosticiranja multiple skleroze
Naslov (engleski)Development of an AI system for the segmentation of brain lesions for the purpose of diagnosing multiple sclerosis
AutorJosip Hlebar
MentorZlatan Car (mentor)
Član povjerenstvaDubravko Franković (predsjednik povjerenstva)
Član povjerenstvaZlatan Car (član povjerenstva)
Član povjerenstvaAlfredo Višković (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Rijeci
Tehnički fakultet
Rijeka
Datum i država obrane2023-05-22, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Elektrotehnika
Automatizacija i robotika
Sažetak
Ovaj diplomski rad istražuje segmentaciju moždanih lezija uzrokovanih multiplom sklerozom. Opisuju se temelja strojnog učenja i predstavljaju tri arhitekture umjetnih neuronskih mreža prikladnih za promatrani zadatak. Zatim se implementiraju opisani algoritmi, te se provodi evaluacija rezultata. Najbolji rezultati ostvaruju se za FLAIR vrstu snimki magnetske rezonance korištenjem U-net arhitekture, s postignutom preciznošću od 63.89\% po DCS-u. DeepLabV3+ pruža točnost segmentacije od 58.53\%, a SegNet 55.39\%. Ovakvi rezultati su zadovoljavajući i mogu biti korisni medicinskim stručnjacima kao dijagnostički alat za efikasniju i precizniju segmentaciju.
Sažetak (engleski)
This paper explores the segmentation of brain lesions caused by multiple sclerosis. It describes the basics of machine learning and presents three artificial neural network architectures suitable for the task at hand. The described algorithms are then implemented, and the results are evaluated. The best results are achieved for the FLAIR type of magnetic resonance imaging using the U-Net architecture, with achieved segmentation accuracy of 63.89% based on DCS. DeepLabV3+ provides segmentation accuracy of 58.53%, while SegNet achieves 55.39%. These results are satisfactory and can be useful for medical professionals as a diagnostic tool for more efficient and precise segmentation.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:190:205753
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 pohrane2023-05-17 15:01:46