Sejtosztódások detektálása neurális hálózatok alkalmazásával
dc.contributor.advisor | Serbán, Norbert Dániel | |
dc.contributor.author | Silye, Csaba | |
dc.contributor.department | DE--Informatikai Kar | |
dc.date.accessioned | 2024-02-01T20:20:54Z | |
dc.date.available | 2024-02-01T20:20:54Z | |
dc.date.created | 2023 | |
dc.description.abstract | Napjainkban a növekvő klinikai adatok egyre szélesebb körben állnak rendelkezésre. Ezek a hatalmas digitális források olyan értékes információkat tartalmaznak, amelyek a gyorsan fejlődő nagymennyiségű adatelemzési módszerekkel hozzájárulnak a gépi tanulás sikeres alkalmazásához az egészségügyi területen. A sejtek működésének vizsgálata során megismerhetünk olyan biológiai folyamatokat, melyek hozzájárulnak egészségünkhöz. A sejtkutatás már vezetett rákellenes kezelésekhez, valamint számos gyógyszer kutatást támogatott. A projekt célja olyan neurális hálózatok építése, amelyek minél nagyobb pontossággal képesek detektálni sejtosztódásokat mikroszkóp által készített szekvenciális felvételen. A tanítás előtt mindenképp szükséges a rendelkezésre álló adathalmazt annotálni. Ehhez segítségül szolgál egy szakember által írt, az adathalmaz mellé csatolt dokumentáció, melyben egyértelműen jelezve van, hogy a képeken mikor és hol történik osztódási folyamat. Nehezítő tényező az adat mennyisége, valamint az adathalmaz kiegyensúlyozatlansága. Körülbelül az esetek 0,46%-ban fordul elő sejtosztódás a képeken. Elsőnek több konvolúciós neurális hálózat (CNN) került tanításra különböző formákban és bemeneti adatokkal. Habár az eredmények javuló tendenciát mutattak, az adathalmaz szekvenciális adottsága miatt bevezetésre került a rekurrens neurális hálózat (RNN), azon belül is az LSTM architektúra. A tanítás előtt a képeket megfelelő felépítésbe, szekvenciákba kellett rendezni, úgy, hogy azok dinamikusan változtathatók legyenek. Különböző augmentálási technikáknak köszönhetően az RNN kiváló eredményeket produkált a teszt adathalmazra, és képes volt felismerni az osztódási folyamatok jelentős részét. Az RNN alapú architektúra használata lehetővé tette a rendszer számára, hogy jobban értse és kihasználja a szekvenciális adottságait a képeknek, és nagyobb pontossággal legyen képes azonosítani a sejtosztódásokat, a nagy kiegyensúlyozatlanság ellenére is. | |
dc.description.course | Gazdaságinformatikus | |
dc.description.degree | BSc/BA | |
dc.format.extent | 38 | |
dc.identifier.uri | https://hdl.handle.net/2437/365883 | |
dc.language.iso | hu | |
dc.rights.access | Hozzáférhető a 2022 decemberi felsőoktatási törvénymódosítás értelmében. | |
dc.subject | Mesterséges intelligencia | |
dc.subject | Gépi tanulás | |
dc.subject | Képfeldolgozás | |
dc.subject.dspace | DEENK Témalista::Informatika::Számítógéptudomány | |
dc.title | Sejtosztódások detektálása neurális hálózatok alkalmazásával |
Fájlok
Eredeti köteg (ORIGINAL bundle)
1 - 1 (Összesen 1)
Nem elérhető
- Név:
- szakdolgozat.pdf
- Méret:
- 1.69 MB
- Formátum:
- Adobe Portable Document Format
- Leírás:
- szakdolgozat
Engedélyek köteg
1 - 1 (Összesen 1)
Nem elérhető
- Név:
- license.txt
- Méret:
- 2.35 KB
- Formátum:
- Item-specific license agreed upon to submission
- Leírás: