Lista przedmiotów z materiałami udostępnionymi dla studentów

Dla_studentów
  • Increase font size
  • Default font size
  • Decrease font size

Wiktoria Świech

Klasyfikacja obrazów biomedycznych z wykorzystaniem algorytmów głębokiego uczenia


Classification of biomedical images with the use of Deep Learning algorythms


Opiekun pracy dyplomowej: prof. dr hab. inż. Andrzej Materka
Dodatkowy opiekun pracy dyplomowej: dr inż. Marek Kociński

Praca dyplomowa inżynierska obroniona 2018-02-07
Streszczenie pracy dyplomowej:
Celem pracy było przeprowadzenie klasyfikacji wybranych obrazów biomedycznych z wykorzystaniem algorytmu głębokiego uczenia w oparciu o architekturę konwolucyjnych sieci neuronowych. Cel został osiągnięty. Konwolucyjne sieci neuronowe są oparte na algorytmie głębokiego uczenia. Wykorzystuje się je w celu przetwarzania danych, które składają się z wielowymiarowych macierzy. Przykładem takich macierzy są np. obrazy, dlatego sieci te sprawdzają się dobrze w przetwarzania obrazów. Zaprojektowany model konwolucyjnych sieci neuronowych składa się z dwóch warstw konwolucyjnych (splotowych), warstwy buforowej występującej za każdym razem po warstwie splotowej, warstwy spłaszczenia i warstwy całkowitego połączenia, zwanej też warstwą ukrytą. Ocena wiarygodności modelu została przedstawiona za pomocą macierzy pomyłek i analizy wyników pochodzących ze zbioru testowego. Opracowany model sieci neuronowej, po modyfikacji, poddano uczeniu na mniej liczebnym zbiorze przekrojów tomograficznych mózgu. Oszacowano dokładność tej sieci w klasyfikacji obrazów zawierających przekroje odwzorowujące obszary nowotworowe i zdrowe tkanki. Słowa kluczowe: uczenie maszynowe, głębokie uczenie, konwolucyjne sieci neuronowe, macierz pomyłek, biblioteka Keras
Abstract:
The aim of this project was to run classification of chosen biomedical images with the use of Deep Learning algorithm which based on convolution neural network. The goal was achieved. Convolution neural networks based on deep learning algorithm. They are used in processing data which consists of multidimensional arrays. The example of that kind of data can be images therefore these neural networks do well in image processing field. The designed model of convolution neural network consists of two convolutional layers, pooling layer which was always applied after convolutional layer, flattening layer and fully connected layer which was called also hidden layer. The quality of classification was introduced and assessed by using confusion matrix and the analysis of obtained results from test data. The same model, after adjustment, was trained on smaller collection of data which contains tomographic intersections of brain. The accuracy of this neural network was assessed in classification of images which include the cancerous area and health tissues. Keywords: machine learning, Deep Learning, convolution neural network, confusion matrix, Keras library.