prikaz prve stranice dokumenta Duboko učenje za segmentaciju različitih abdominalnih organa iz medicinskih slika
  Download
PDF 2.1 MB
master's thesis
Duboko učenje za segmentaciju različitih abdominalnih organa iz medicinskih slika
2024. urn:nbn:hr:200:174543
Lovretić, Luka
Josip Juraj Strossmayer University of Osijek
Faculty of Electrical Engineering, Computer Science and Information Technology Osijek
Department of Software Engineering
Chair of Visual Computing

Cite this document

Lovretić, L. (2024). Duboko učenje za segmentaciju različitih abdominalnih organa iz medicinskih slika (Master's thesis). Osijek: Josip Juraj Strossmayer University of Osijek, Faculty of Electrical Engineering, Computer Science and Information Technology Osijek. Retrieved from https://urn.nsk.hr/urn:nbn:hr:200:174543

Lovretić, Luka. "Duboko učenje za segmentaciju različitih abdominalnih organa iz medicinskih slika." Master's thesis, Josip Juraj Strossmayer University of Osijek, Faculty of Electrical Engineering, Computer Science and Information Technology Osijek, 2024. https://urn.nsk.hr/urn:nbn:hr:200:174543

Lovretić, Luka. "Duboko učenje za segmentaciju različitih abdominalnih organa iz medicinskih slika." Master's thesis, Josip Juraj Strossmayer University of Osijek, Faculty of Electrical Engineering, Computer Science and Information Technology Osijek, 2024. https://urn.nsk.hr/urn:nbn:hr:200:174543

Lovretić, L. (2024). 'Duboko učenje za segmentaciju različitih abdominalnih organa iz medicinskih slika', Master's thesis, Josip Juraj Strossmayer University of Osijek, Faculty of Electrical Engineering, Computer Science and Information Technology Osijek, accessed 10 December 2024, https://urn.nsk.hr/urn:nbn:hr:200:174543

Lovretić L. Duboko učenje za segmentaciju različitih abdominalnih organa iz medicinskih slika [Master's thesis]. Osijek: Josip Juraj Strossmayer University of Osijek, Faculty of Electrical Engineering, Computer Science and Information Technology Osijek; 2024 [cited 2024 December 10] Available at: https://urn.nsk.hr/urn:nbn:hr:200:174543

L. Lovretić, "Duboko učenje za segmentaciju različitih abdominalnih organa iz medicinskih slika", Master's thesis, Josip Juraj Strossmayer University of Osijek, Faculty of Electrical Engineering, Computer Science and Information Technology Osijek, Osijek, 2024. Available at: https://urn.nsk.hr/urn:nbn:hr:200:174543

Please login to the repository to save this object to your list.
Metadata
TitleDuboko učenje za segmentaciju različitih abdominalnih organa iz medicinskih slika
Title (english)Deep learning for segmentation of abdominal multi-organs from medical images
AuthorLuka Lovretić
MentorIrena Galić (mentor)
MentorMarija Habijan (sumentor)
Committee memberMarija Habijan (član povjerenstva)
Committee memberKrešimir Nenadić (predsjednik povjerenstva)
Committee memberKrešimir Romić (član povjerenstva)
GranterJosip Juraj Strossmayer University of Osijek
Faculty of Electrical Engineering, Computer Science and Information Technology Osijek
(Department of Software Engineering)
(Chair of Visual Computing)
Osijek
Defense date and country2024-07-15, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Artificial Intelligence
Abstract
Segmentacija abdominalnih organa korištenjem neuronskih mreža predstavlja jedan od ključnih koraka u modernoj medicinskoj dijagnostici i planiranju tretmana. Korištenjem MRI snimki za treniranje modela, konvolucijske neuronske mreže mogu precizno identificirati i segmentirati različite organe u abdominalnoj šupljini. Ovi modeli su u stanju naučiti složene obrasce i karakteristike koje omogućuju razlikovanje između organa kao što su jetra, slezena i bubrezi. Automatska segmentacija smanjuje potrebu za ručnim označavanjem od strane radiologa, poboljšava točnost dijagnoaza i ubrzava proces analize medicinskih snimaka. U ovom radu predstavljene su dvije metode segmentacije abdominalnih organa koristeći dva modela temeljena na U-Net arhitekturi neuronskih mreža. Modeli su trenirani, vrednovani, testirani i uspoređeni. Oba modela uspješno su odrađivala segmentaciju, svaki sa svojom razinom preciznosti. Preciznosti oba modela bi se mogle još dodatno poboljšati proširenjem skupa podataka.
Abstract (english)
Segmentation of abdominal organs using neural networks represents one of the key steps in modern medical diagnostics and treatment planning. Using MRI images for model training, convolutional neural networks can accurately identify and segment different organs in the abdominal cavity. These models can learn complex patterns and features that enable the differentiation between organs such as the liver, spleen, and kidneys. Automatic segmentation reduces the need for manual annotation by radiologists, improves diagnostic accuracy, and speeds up the process of analyzing medical images. This paper presents two methods for segmenting abdominal organs using two models based on the U-Net neural network architecture. The models were trained, validated, tested and compared with both models successfully performing segmentation, each with its own level of precision. The precision of both models could be further improved by expanding the dataset.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:200:174543
Study programmeTitle: Graduate University Study Programme in Computer Engineering
Study programme type: university
Study level: graduate
Academic / professional title: sveučilišni/a magistar/magistra inženjer/inženjerka računarstva (sveučilišni/a magistar/magistra inženjer/inženjerka računarstva)
Type of resourceText
File originBorn digital
Access conditionsOpen access
Terms of useLicence In copyright icon
Created on2024-08-19 07:56:21