Lista przedmiotów z materiałami udostępnionymi dla studentów

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

Adam Różycki

Klasyfikacja obrazów komórek zainfekowanych wirusem malarii z wykorzystaniem sieci neuronowych.


Classification of images of cells infected with malaria virus using neural networks


Opiekun pracy dyplomowej: dr inż. Aleksandra Królak
Praca dyplomowa inżynierska obroniona 2020-02-13
Streszczenie pracy dyplomowej:
Celem pracy było opracowaniu modelu sztucznej sieci neuronowej będącego w stanie poprawnie klasyfikować komórki krwi pacjenta jako zainfekowane zarodźcem malarii bądź zdrowe. W tym celu zostały wykorzystane obrazy cienkich rozmazów krwi barwione roztworem Giemsa, które pochodziły od 150 zakażonych zarodźcem sierpowatym oraz od 50 zdrowych pacjentów. Próbkom zostały nadane etykiety przez eksperta od diagnozy laboratoryjnej. Projekt uwzględnia opracowanie własnej architektury konwolucyjnej sieci neuronowej, a także zastosowanie sprawdzonych technik trenowania modelu, takich jak augmentacja danych lub metoda porzucania. Wartość dokładności wytrenowanego modelu w stosunku do predykcji zestawu testowego osiągnęła 96,72%, jednak w celu dokładniejszej analizy skuteczności została ona zestawiona z innymi metrykami oceniania. Słowa kluczowe: malaria, klasyfikacja, sztuczne sieci neuronowe, konwolucyjne sieci neuronowe, trenowanie modelu.
Abstract:
The aim of this thesis was the development of a model of an artificial neural network that is able to correctly classify the patient's blood cells as infected with malaria or healthy. For this purpose, images of thin blood smears stained with a Giemsa solution were used, which were derived from 150 carriers of this disease and 50 healthy patients. Samples were labeled by a laboratory diagnosis expert. The project includes creating own convolutional neural network architecture, as well as applying proven model training techniques such as data augmentation or dropout. The accuracy of the trained model in relation to the prediction of the test set reached 96.72 %, however, for a more accurate analysis of the effectiveness it was compared with other assessment metrics. Keywords: malaria, classification, artificial neural networks, convolutional neural networks, model training.