Odos vėžio aptikimas naudojant giliuosius neuroninius tinklus
Matuzevičius, Dalius | 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 | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member |
Tobulinant naująsias technologijas ir augant jų prieinamumui, norima šiuos įrankius pritaikyt medicinos tikslais odos darinių rizikos sveikatai nustatyti. Šiame tyrime nagrinėjama galimybė pritaikyti lengvuosius giliuosius neuroninius tinklus (GNT) išmaniojo telefono sistemoje galimos odos vėžio rizikos priešklininkinio vertinimo bei odos darinių klasifikavimo tikslais. Tyrimui atlikti naudotos nuotraukos, suskirstytos į šešias skirtingas ir netolygiai paskirstytas klases (pvz. fonas, odos dariniai, navikai ir kita), kad šios klasės būtų subalansuotos. Siekiant užtikrinti rezultatų tikslumą, buvo pasitelkiamas duomenų augmentacijos metodas. Tyrimui atlikti buvo nagrinėjamos dvi GNT architektūros: MobileNet ir EfficientNetLite. Tirtos dvi MobileNet ir keturios EfficientNetLite tinklų versijos. Rezultatai rodo, kad šie tinklai yra tinkami iki 80% tikslumu odos darinio rizikai nustatyti. Taip pat nustatyta, kad tinklų sparta yra pakankama ir tinkama minėtoms jų versijoms išmaniajame telefone naudoti.
With the advancement of new technologies and their increasing accessibility, there is a desire to adapt these tools for medical purposes - to determine the health risk risk of skin lesions for human health. In this study, we explore the possibility of applying lightweight deep neural networks (DNN) in a smartphone system for preliminary assessment of possible skin cancer risks and classification of skin lesions. The study used photographs, divided into six different and unevenly distributed classes, such as background, skin lesions, tumors, and others. To balance these classes and ensure the accuracy of the results, data augmentation methods were employed. Two DNN architectures were examined for the study - MobileNet and EfficientNetLite, including two versions of MobileNet and four versions of EfficientNetLite networks. The results show that these networks are suitable for determining the risk of skin lesions with an accuracy of up to 80%. It was also found that the speed of the networks is satisfactory for use in a smartphone