prikaz prve stranice dokumenta Primjena dubokog učenja u analizi rezultata pretraga koljena magnetskom rezonancom
  Preuzmi
PDF 18.4 MB
diplomski rad
Primjena dubokog učenja u analizi rezultata pretraga koljena magnetskom rezonancom
2019. urn:nbn:hr:126:647855
Jaganjac, Danijela
Sveučilište Josipa Jurja Strossmayera u Osijeku
Odjel za matematiku

Citirajte ovaj rad

Jaganjac, D. (2019). Primjena dubokog učenja u analizi rezultata pretraga koljena magnetskom rezonancom (Diplomski rad). Osijek: Sveučilište Josipa Jurja Strossmayera u Osijeku, Odjel za matematiku. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:126:647855

Jaganjac, Danijela. "Primjena dubokog učenja u analizi rezultata pretraga koljena magnetskom rezonancom." Diplomski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Odjel za matematiku, 2019. https://urn.nsk.hr/urn:nbn:hr:126:647855

Jaganjac, Danijela. "Primjena dubokog učenja u analizi rezultata pretraga koljena magnetskom rezonancom." Diplomski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Odjel za matematiku, 2019. https://urn.nsk.hr/urn:nbn:hr:126:647855

Jaganjac, D. (2019). 'Primjena dubokog učenja u analizi rezultata pretraga koljena magnetskom rezonancom', Diplomski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Odjel za matematiku, citirano: 09.11.2024., https://urn.nsk.hr/urn:nbn:hr:126:647855

Jaganjac D. Primjena dubokog učenja u analizi rezultata pretraga koljena magnetskom rezonancom [Diplomski rad]. Osijek: Sveučilište Josipa Jurja Strossmayera u Osijeku, Odjel za matematiku; 2019 [pristupljeno 09.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:126:647855

D. Jaganjac, "Primjena dubokog učenja u analizi rezultata pretraga koljena magnetskom rezonancom", Diplomski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Odjel za matematiku, Osijek, 2019. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:126:647855

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:126:647855
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovPrimjena dubokog učenja u analizi rezultata pretraga koljena magnetskom rezonancom
Naslov (engleski)Application of Deep Learning in Analysis of Knee Magnetic Resonance Imaging
AutorDanijela Jaganjac
MentorDomagoj Matijević (mentor)
Član povjerenstvaKristian Sabo (predsjednik povjerenstva)
Član povjerenstvaDomagoj Matijević (član povjerenstva)
Član povjerenstvaDomagoj Ševerdija (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište Josipa Jurja Strossmayera u Osijeku
Odjel za matematiku
Osijek
Datum i država obrane2019-09-17, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		PRIRODNE ZNANOSTI
Matematika
Matematička logika i računarstvo
Sažetak
U ovom diplomskom radu je objašnjen pojam neuronskih i konvolucijskih mreža. Njihovo djelovanje se definira matematičkim izrazima i formulama. Ulazni podaci u neuronskim mreža prolaze kroz niz slojeva pri čemu se transformiraju i kao rezultat dobijemo vrijednosti koje dalje interpretiramo sukladno početnom problemu. Svaki model neuronskih i konvolucijskih mreža ima parametre čije vrijednosti utječu na točnost predikcija. U svrhu povećavanje točnosti, parametri se podešavaju u procesu učenja. Pristup procesu učenja je, u suštini, matematička optimizacija nekih nelinearnih funkcija koje ovise o tim parametrima. Stoga se koriste neki standardni algoritmi za optimizaciju, ali isto tako postoje algoritmi razvijeni specifično za probleme dubokog učenja. Kako bi se povećala kvaliteta modela, potrebno je provesti postupke obrade podataka prije samog učenja i regularizacije. Motiv za kreiranjem kvalitetnih mreža za duboko učenje je njihova praktična upotreba u raznim znanstvenim granama i djelatnostima. Jedna od primjena je u medicini, za klasifikaciju slika s magnetske rezonance, gdje bi dobro naučeni model mogao pridonijeti efikasnijem dijagnosticiranju ozljeda i bolesti.
Sažetak (engleski)
This master thesis describes and presents the concept of neural and conventional networks. The basic flow of actions in those networks is defined by mathematical expressions and formulas. Input data are being transformed while flowing through the network and the obtained output is then used to form an answer to the initial problem. Network parameters are crucial for the process of learning and their values directly effect precision. In order to obtain better performance parameters are being tuned in the learning process which is basically the optimization of some nonlinear functions with respect to the mentioned parameters. Optimization is using standard algorithms from numerical mathematics, but there are also special algorithms which are results of optimization in deep learning. Building a deep learning model includes preprocessing data and regularization. High-quality deep learning networks are useable in various scientific disciplines and businesses. One of the widespread application is for medical diagnosis and medical imaging classification. This kind of model can contribute to decision-making in a way that it gives automated diagnosis and localization of abnormalities.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:126:647855
Studijski programNaziv: Matematika; smjerovi: Financijska matematika i statistika, Matematika i računarstvo, Industrijska i primijenjena matematika
Smjer: Financijska matematika i statistika
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra matematike (mag.math.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2019-09-19 06:24:15