پديد آورنده :
يسلياني، محمد
عنوان :
توسعه يك مدل تركيبي يادگيري عميق براي تشخيص ذات الريه
مقطع تحصيلي :
كارشناسي ارشد
گرايش تحصيلي :
صنايع و سيستم ها
محل تحصيل :
اصفهان : دانشگاه صنعتي اصفهان
صفحه شمار :
يازده، 97ص. : مصور، جدول، نمودار
استاد راهنما :
علي زينل همداني
توصيفگر ها :
يادگيري ماشين , يادگيري عميق , شبكه عصبي پيچشي , تشخيص مبتني بر كامپيوتر , ذات الريه
استاد داور :
مهدي خاشعي، صبا صارمي نيا
تاريخ ورود اطلاعات :
1401/07/27
رشته تحصيلي :
مهندسي صنايع
دانشكده :
مهندسي صنايع و سيستم ها
تاريخ ويرايش اطلاعات :
1401/07/30
چكيده فارسي :
مدل هاي يادگيري ماشين و يادگيري عميق كاربردهاي گسترده اي در زمينه هاي مختلف زندگي روزمره انسان ها ايفا مي كنند. اين مدل ها در طبقه بندي تصاوير و تشخيص الگو نتايج چشمگيري را ارائه داده اند. در اين پايان نامه، يك مدل تركيبي يادگيري عميق با سه رويكرد طبقه بندي مختلف معرفي مي شود. اين مدل تركيبي ويژگي هاي تصاوير را استخراج مي نمايد و آن ها را به عنوان ورودي طبقه بندي كننده هاي مختلف در سه رويكرد طبقه بندي متفاوت به كار مي گيرد. در رويكرد طبقه بندي اول، از لايه هاي كاملا متصل براي طبقه بندي تصاوير استفاده مي گردد. اين مدل براي چندين دوره آموزش داده مي شود و وزن هايي كه بالاترين دقت طبقه بندي را ارائه مي دهند، ذخيره مي شوند. در رويكرد طبقه بندي دوم، از وزن هاي آموزش داده شده بهينه شده براي استخراج ويژگي هاي برجسته تصاوير ورودي استفاده مي شود و طبقه بندي كننده هاي يادگيري ماشين براي طبقه بندي تصاوير به كار گرفته مي شود. در رويكرد طبقه بندي سوم، يك مدل جمعي وزن دار مبتني بر احتمال با استفاده طبقه بندي كننده هاي به دست آمده در رويكرد هاي اول و دوم ساخته مي شود و طبقه بندي تصاوير بر اساس اين مدل صورت مي گيرد. از اين مدل تركيبي معرفي شده براي تشخيص بيماري ذات الريه استفاده مي گردد. نتايج به دست آمده نشان مي دهند كه مدل جمعي (رويكرد طبقه بندي سوم) با استفاده از دو طبقه بندي كننده ماشين بردار پشتيبان با هسته تابع پايه شعاعي و رگرسيون لجستيك داراي بهترين عملكرد با دقت 98.55 در طبقه بندي تصاوير اشعه ايكس قفسه سينه براي تشخيص ذات الريه است. از اين مدل جمعي براي ساخت يك سيستم مبتني بر وب تشخيص به كمك كامپيوتر استفاده مي گردد كه مي تواند براي كمك به راديولوژيست براي تشخيص ذات الريه با دقت بالا مورد استفاده قرار بگيرد.
چكيده انگليسي :
Machine Learning (ML) and Deep Learning (DL) models play a significant role in different aspects of human lives. These methods have shown outstanding results in image classification and pattern recognition problems. In this thesis, a hybrid Convolutional Neural Network (CNN) model with three different classification approaches is proposed for image classification. This hybrid CNN model extracts the features of the images and deploys them as the input of various classifiers in three classification approaches. In the first classification approach, Fully-Connected (FC) layers are deployed to classify the images based on the extracted features. This model is trained for several epochs and the weights that produce the highest classification accuracy are saved. In the second classification approach, the trained optimized weights are utilized to extract the most representative features of the input images and ML models are used to classify the images. In the third classification approach, a weighted probability-based ensemble classifier based on the models resulted in the first and second classification approaches is established to classify the images. This method is implemented for pneumonia detection in Chest X-Ray (CXR) images. The results demonstrate that the proposed ensemble model (third classification approach) using the Support Vector Machine with Radial Basis Function (SVM-RBF) and Logistic Regression (LR) classifiers has the best performance with an accuracy of 98.55%. Consequently, this ensemble model is employed to construct a web-based CAD system that can assist radiologists for pneumonia detection with a significant accuracy.
استاد راهنما :
علي زينل همداني
استاد داور :
مهدي خاشعي، صبا صارمي نيا
