Harangi, BalázsKatona, Tamás2024-08-172024-08-172024https://hdl.handle.net/2437/379039Ebben a disszertációban a többcímkés osztályozás problémakörét vizsgáltuk meg mellkasröntgen felvételeken. A mellkasröntgen felvételek elemzése kritikus jelentőségű a különböző tüdő, szív és sok más betegség diagnosztizálásában. A többcímkés osztályozás lehetővé teszi, hogy egy adott röntgenfelvételen több betegség jelenlétét is detektálja. Ez különösen fontos, mivel egyetlen felvételen egyszerre több betegség is előfordulhat. Az általunk vizsgált megközelítések a mélytanulási modellek hatékonyságára és pontosságára építenek, különös tekintettel a CNN-ek alkalmazásával.In this dissertation, we investigated the problem of multi-label classification in chest radiographs. Analysis of chest X-ray images is critical in the diagnosis of various lung, heart and many other diseases. Multi-label classification allows the presence of multiple diseases to be detected on a single radiograph. This is particularly important as several diseases can be present on a single scan at the same time. The approaches we investigate rely on the efficiency and accuracy of deep learning models, in particular using CNNs.140humélytanulásröntgenmellkasröntgengépi tanulásszámítógépes látásdeeplearnigx-raychest x-raycnnimage processingmachine learningcomputer visionPhD, doktori értekezésInformatikai tudományokMűszaki tudományok