Learning to Predict Prostate Cancer Using Slide-level Annotations – Bc. Michal Jakubík
Bc. Michal Jakubík
Bachelor's thesis
Learning to Predict Prostate Cancer Using Slide-level Annotations
Learning to Predict Prostate Cancer Using Slide-level Annotations
Anotácia:
Zapojenie algoritmov umelej inteligencie do diagnostiky rakoviny predstavuje významný pokrok v lekárskej diagnostike. Štandardná metóda trénovania neurónovej siete na detekciu rakoviny si vyžaduje nákladné a časovo náročné podrobné anotácie od patológov. V tejto práci je natrénovaných niekoľko modelov konvolučných neurónových sietí na datasetoch, ktoré disponujú iba informáciou o prítomnosti rakovinového …viacAbstract:
The involvement of artificial intelligence algorithms in cancer diagnosis represents a significant advancement in medical diagnostics. A standard method of training a neural network for cancer detection requires expensive and time-consuming detailed annotations from expert pathologists. In this thesis, several convolutional neural network models are trained on datasets which only posses information …viac
Jazyk práce: English
Datum vytvoření / odevzdání či podání práce: 23. 5. 2024
Identifikátor:
https://is.muni.cz/th/wojxp/
Obhajoba závěrečné práce
- Obhajoba proběhla 24. 6. 2024
- Vedúci: RNDr. Vít Musil, Ph.D.
- Oponent: doc. RNDr. Petr Novotný, Ph.D.
Citační záznam
Plný text práce
Obsah online archivu závěrečné práce
Zveřejněno v Theses:- světu
Jak jinak získat přístup k textu
Instituce archivující a zpřístupňující práci: Masarykova univerzita, Fakulta informatikyMasaryk University
Faculty of InformaticsBachelor programme / odbor:
Informatics / Informatics
Práce na příbuzné téma
-
Visualization of hidden layers in convolutional neural networks
Jakub Hruška -
Modelling small-RNA binding using Convolutional Neural Networks
Eva Klimentová -
Automatic Recognition of User Interface States Using Convolutional Neural Networks
Klára Petrovičová -
Segmentation of Dense Cell Populations using Convolutional Neural Networks
Filip Lux -
Interpretation techniques for deep neural networks in digital histopathology
Martin Krebs -
Automatic trackingand assessment of chronic wounds using augmented skin imaging and convolutional neural networks
Monika Molnárová -
Concept learning in digital pathology
Adam Žitňanský -
Prostate Cancer Prediction with Graph Neural Networks
Štěpán Řihák