prikaz prve stranice dokumenta Duboko učenje za segmentaciju tumora mozga iz MRI slika
  Preuzmi
PDF 1.21 MB
diplomski rad
Duboko učenje za segmentaciju tumora mozga iz MRI slika
Osijek: Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek, 2023. urn:nbn:hr:200:268639
Raguž, Maroje
Sveučilište Josipa Jurja Strossmayera u Osijeku
Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek
Zavod za programsko inženjerstvo
Katedra za vizualno računarstvo

Citirajte ovaj rad

Raguž, M. (2023). Duboko učenje za segmentaciju tumora mozga iz MRI slika (Diplomski rad). Osijek: Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:200:268639

Raguž, Maroje. "Duboko učenje za segmentaciju tumora mozga iz MRI slika." Diplomski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek, 2023. https://urn.nsk.hr/urn:nbn:hr:200:268639

Raguž, Maroje. "Duboko učenje za segmentaciju tumora mozga iz MRI slika." Diplomski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek, 2023. https://urn.nsk.hr/urn:nbn:hr:200:268639

Raguž, M. (2023). 'Duboko učenje za segmentaciju tumora mozga iz MRI slika', Diplomski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek, citirano: 03.04.2025., https://urn.nsk.hr/urn:nbn:hr:200:268639

Raguž M. Duboko učenje za segmentaciju tumora mozga iz MRI slika [Diplomski rad]. Osijek: Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek; 2023 [pristupljeno 03.04.2025.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:200:268639

M. Raguž, "Duboko učenje za segmentaciju tumora mozga iz MRI slika", Diplomski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek, Osijek, 2023. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:200:268639

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:200:268639
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovDuboko učenje za segmentaciju tumora mozga iz MRI slika
Naslov (engleski)Deep learning for brain tumor segmentation from MRI images
AutorMaroje Raguž
MentorIrena Galić (mentor)
Član povjerenstvaIrena Galić (predsjednik povjerenstva)
Član povjerenstvaHrvoje Leventić (član povjerenstva)
Član povjerenstvaKrešimir Romić (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište Josipa Jurja Strossmayera u Osijeku
Fakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek
(Zavod za programsko inženjerstvo)
(Katedra za vizualno računarstvo)
Osijek
Datum i država obrane2023-10-06, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Umjetna inteligencija
Sažetak
Tumori mozga, kao i svi ostali tumori nastaju nekontroliranom diobom stanica. Kako bih se ispravno planirala radioterapija, pratila progresija tumora te izabrala metoda liječenja, važno je ispravno ocrtavanje tumora. U ovom radu napravljen je model za automatsku segmentaciju GD pojačavajućeg tumora, peritumoralnog edema i nekrotične jezgre tumora bez povećanja. Za rješavanje ovog problema korištene su konvolucijske neuronske mreže, točnije U-Net arhitektura. Kod konvolucijskih neuronskih mreža... Više protok informacija odvija se u samo jednom smjeru. U-Net arhitektura sastoji se od kodera, dekodera te mosta. Za izradu modela korišteni su Python, Keras, Google Colaboratory i ITK-snap. Za treniranje se koristio BraTS2020 skup podataka. Nakon predobrade i treniranja podataka dobiveni su sljedeći rezultati: Jaccard index iznosi 0.7123, Dice coefficient iznosi 0.7956, a iznos gubitka je 0.2151. Rezultati su relativno dobri, model se ne može koristiti kao zamjena za ručnu segmentaciju, ali se mogu koristiti za pomoć pri istoj. Sakrij dio sažetka
Sažetak (engleski)
Brain tumors, like all other tumors, arise from uncontrolled cell division. In order to properly plan radiotherapy, monitor tumor progression and choose a treatment method, it is important to correctly label the tumor. In this paper, a model for automatic segmentation of GD-enhancing tumor, peritumoral edema and necrotic non-enhancing tumor core. To solve this problem, convolutional neural networks, more precisely the U-Net architecture, were used. In convolutional neural networks,... Više information flows in only one direction. The U-Net architecture consists of an encoder, a decoder and a bridge. Python, Keras, Google Collaboratory and ITK-snap were used to create the model. The BraTS2020 dataset was used for training. After data preprocessing and training, the following results were obtained: Jaccard index is 0.7123, Dice coefficient is 0.7956, and the amount of loss is 0.2151. The results are relatively good, the model cannot be used instead of manual segmentation, but it can be used to help with it. Brain tumors, like all other tumors, arise from uncontrolled cell division. In order to properly plan radiotherapy, monitor tumor progression and choose a treatment method, it is important to correctly label the tumor. In this paper, a model for automatic segmentation of GD-enhancing tumor, peritumoral edema and necrotic non-enhancing tumor core. To solve this problem, convolutional neural networks, more precisely the U-Net architecture, were used. In convolutional neural networks, information flows in only one direction. The U-Net architecture consists of an encoder, a decoder and a bridge. Python, Keras, Google Collaboratory and ITK-snap were used to create the model. The BraTS2020 dataset was used for training. After data preprocessing and training, the following results were obtained: Jaccard index is 0.7123, Dice coefficient is 0.7956, and the amount of loss is 0.2151. The results are relatively good, the model cannot be used instead of manual segmentation, but it can be used to help with it. Sakrij dio sažetka
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:200:268639
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 pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
RepozitorijFakultet elektrotehnike, računarstva i informacijskih tehnologija Osijek
Datum i vrijeme pohrane2023-10-18 09:05:43
accessibility

closePristupačnostrefresh

Ako želite spremiti trajne postavke, kliknite Spremi, ako ne - vaše će se postavke poništiti kad zatvorite preglednik.