System przewidywania i analizy chorób nowotworowych z wykorzystaniem DL Algo

Dok¿adne przewidywanie i analiza chorób nowotworowych odgrywa kluczow¿ rol¿ w poprawie wyników pacjentów i planowaniu leczenia. W niniejszej rozprawie doktorskiej opracowano model przewidywania i analizy raka przy u¿yciu algorytmów g¿¿bokiego uczenia, w szczególno¿ci sztucznych sieci neuronowych (ANN) i konwolucyjnych sieci neuronowych (CNN), z wykorzystaniem obrazów PET/CT. System ma na celu zwi¿kszenie dok¿adno¿ci i skuteczno¿ci diagnozy raka oraz zapewnia cenne informacje do podejmowania decyzji dotycz¿cych leczenia. System wykorzystuje moc modeli g¿¿bokiego uczenia si¿, o których wiadomo, ¿e dostarczaj¿ cennych informacji na temat metabolizmu raka i struktur anatomicznych. Trenuj¿c modele CNN na du¿ym zbiorze danych obrazów PET/CT z adnotacjami, system mo¿e nauczy¿ si¿ rozpoznawä wzorce i cechy wskazuj¿ce na regiony nowotworowe. Aby oceni¿ dok¿adno¿¿ systemu, zastosowano wskäniki wydajno¿ci, takie jak Intersection over Union (IoU) i F-measure. IoU mierzy nak¿adanie si¿ przewidywanych regionów nowotworowych i adnotacji prawdy naziemnej, podczas gdy miara F ocenia równowag¿ mi¿dzy precyzj¿ i wycofaniem przewidywä. Wskäniki te zapewniaj¿ ilo¿ciowe miary wydajno¿ci systemu.