COVID atpažinimas iš rentgeno nuotraukų
Rybokas, Mindaugas | Recenzentas / Rewiewer |
Darbo gynimo komisijos pirmininkas / Thesis Defence Board Chairman | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Medvedev, Viktor | Darbo gynimo komisijos narys / Thesis Defence Board Member |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member |
Šiame magistro baigiamajame darbe nagrinėjamas dirbtinio intelekto ir mašininio mokymo taikymas siekiant atpažinti COVID-19 ligą iš rentgeno nuotraukų. Darbo tikslas - sukurti COVID-19 ligos atpažinimo iš rentgeno nuotraukų programos prototipą ir įvertinti jo našumą naudojant skirtingus duomenų rinkinius. Darbo metu buvo atlikta literatūros analizė, kurioje apžvelgti jau egzistuojantys medicininių vaizdų atpažinimo modeliai, palygintas jų našumas ir išnagrinėti šiems modeliams kurti naudotos architektūros bei įrankiai, atrinktas tinkamiausias modelis tolimesniems bandymams. Praktinėje darbo dalyje atliktas dviejų ir trijų klasių rentgeno vaizdų atpažinimas naudojant giliojo mokymosi modelius, įvertintas našumas naudojant skirtingus hiperparametrus ir atlikta lyginamoji analizė. Naudojant „DenseNet121” modelį buvo pasiektas 86,15 % tikslumas trijų klasių ir 92,7 % tikslumas dviejų klasių atpažinimo užduotyse. Darbą sudaro 6 dalys: įvadas, literatūrinė dalis, modelio analizė, tyrimo rezultatai ir našumo vertinimas, išvados, darbe naudotos literatūros sąrašas. Darbo apimtis: 60 psl. be priedų, 14 iliustracijų, 6 lentelės, 19 bibliografinių šaltinių.
This Master's thesis explores the use of artificial intelligence and machine learning to identify COVID-19 disease from X-ray images. The aim of the thesis is to develop a prototype application for recognising COVID-19 disease from X-rays and to evaluate its performance using different datasets. The work involved a literature analysis, which reviewed existing medical image recognition models, comparing their performance, examining the architectures and tools used to develop these models and selecting the most appropriate model for further testing. In the practical part of the work, the recognition of two and three classes of X-ray images using deep learning models was implemented, the performance was evaluated using different hyperparameters and a comparative analysis was performed. Using the DenseNet121 model, an accuracy of 86.15% was achieved for the three-class and 92.7% for the two-class recognition tasks. The thesis structure: introduction, literature review, model analysis, research results and performance evaluation, conclusions, and a list of references used in the thesis. The thesis consists of 60 pages, 14 pictures, 6 tables, 19 bibliographic entries.