prikaz prve stranice dokumenta Učinkovitost umjetne inteligencije u razlikovanju malignih od benignih ultrazvučnih osobina tumora dojki
  Download
PDF 370.05 KB
master's thesis
Učinkovitost umjetne inteligencije u razlikovanju malignih od benignih ultrazvučnih osobina tumora dojki
2024. urn:nbn:hr:152:377123
Marković, Filip
Josip Juraj Strossmayer University of Osijek
Faculty of Medicine Osijek

Cite this document

Marković, F. (2024). Učinkovitost umjetne inteligencije u razlikovanju malignih od benignih ultrazvučnih osobina tumora dojki (Master's thesis). Osijek: Josip Juraj Strossmayer University of Osijek, Faculty of Medicine Osijek. Retrieved from https://urn.nsk.hr/urn:nbn:hr:152:377123

Marković, Filip. "Učinkovitost umjetne inteligencije u razlikovanju malignih od benignih ultrazvučnih osobina tumora dojki." Master's thesis, Josip Juraj Strossmayer University of Osijek, Faculty of Medicine Osijek, 2024. https://urn.nsk.hr/urn:nbn:hr:152:377123

Marković, Filip. "Učinkovitost umjetne inteligencije u razlikovanju malignih od benignih ultrazvučnih osobina tumora dojki." Master's thesis, Josip Juraj Strossmayer University of Osijek, Faculty of Medicine Osijek, 2024. https://urn.nsk.hr/urn:nbn:hr:152:377123

Marković, F. (2024). 'Učinkovitost umjetne inteligencije u razlikovanju malignih od benignih ultrazvučnih osobina tumora dojki', Master's thesis, Josip Juraj Strossmayer University of Osijek, Faculty of Medicine Osijek, accessed 11 December 2024, https://urn.nsk.hr/urn:nbn:hr:152:377123

Marković F. Učinkovitost umjetne inteligencije u razlikovanju malignih od benignih ultrazvučnih osobina tumora dojki [Master's thesis]. Osijek: Josip Juraj Strossmayer University of Osijek, Faculty of Medicine Osijek; 2024 [cited 2024 December 11] Available at: https://urn.nsk.hr/urn:nbn:hr:152:377123

F. Marković, "Učinkovitost umjetne inteligencije u razlikovanju malignih od benignih ultrazvučnih osobina tumora dojki", Master's thesis, Josip Juraj Strossmayer University of Osijek, Faculty of Medicine Osijek, Osijek, 2024. Available at: https://urn.nsk.hr/urn:nbn:hr:152:377123

Please login to the repository to save this object to your list.
Metadata
TitleUčinkovitost umjetne inteligencije u razlikovanju malignih od benignih ultrazvučnih osobina tumora dojki
Title (english)The Efficiency of Artificial Intelligence in Distinguishing Malignant from Benign Ultrasound Features of Breast Tumors
AuthorFilip Marković
MentorDamir Štimac (mentor)
Committee memberTajana Turk (predsjednik povjerenstva)
Committee memberTatjana Rotim (član povjerenstva)
Committee memberDamir Štimac (član povjerenstva)
GranterJosip Juraj Strossmayer University of Osijek
Faculty of Medicine Osijek
Osijek
Defense date and country2024-09-27, Croatia
Scientific / art field,
discipline and subdiscipline		BIOMEDICINE AND HEALTHCARE
Basic Medical Sciences
Abstract
CILJEVI ISTRAŽIVANJA: Ispitati učinkovitost neuronske mreže DenseNet u analizi ultrazvučnih slika tumora dojki. NACRT STUDIJE: Retrospektivna studija s analizom sekundarnih podataka. ISPITANICI I METODE: Istraživanje se provodi na Odjelu za radiologiju Nacionalne memorijalne bolnice „Dr. Juraj Njavro“ Vukovar. U istraživanju se koristi 257 ultrazvučnih slika pacijentica s tvorbama u dojkama koje su prošle ultrazvučni pregled i patohistološku dijagnostiku iglenom biopsijom u razdoblju od studenog 2021. do veljače 2024. Prikupljene slike su iz bolničke dokumentacije i prilagođene za korištenje u UI modelu. Implementira se neuronska mreža DenseNet za analizu ultrazvučnih slika. Rezultati modela uspoređeni su s dijagnozama dobivenim patohistološkom analizom iglene biopsije. Korišteni su standardni dijagnostički testovi za evaluaciju. REZULTATI: Istraživanje je provedeno na ultrazvučnim slikama 126 benignih i 131 maligna tumora, što je omogućilo kvalitetno treniranje modela. Model je pokazao točnost od 73 %, AUC od 0,78, te specifičnost od 68,8% i osjetljivost od 80%, F1-score od 70 %. ZAKLJUČAK: Istraživanje je pokazalo da model za klasifikaciju tumora dojke ima dobru sposobnost u razlikovanju malignih od benignih tumora te može smanjiti broj nepotrebnih invazivnih zahvata u dijagnostici tumora dojki.
Abstract (english)
OBJECTIVES: Assess the effectiveness of the DenseNet neural network in analyzing ultrasound images of breast tumors. STUDY DESIGN: Retrospective study with analysis of secondary data. PARTICIPANTS AND METHODS: The study is conducted at the Radiology Department of the National Memorial Hospital "Dr. Juraj Njavro" in Vukovar. It uses 257 ultrasound images of patients with breast masses who underwent ultrasound examination and pathohistological diagnosis through needle biopsy from November 2021 to February 2024. The images were collected from hospital records and adapted for use in the artificial intelligence model. The DenseNet neural network is implemented for ultrasound image analysis. The model’s results will be compared with diagnoses obtained from pathohistological needle biopsy analysis. Standard diagnostic tests will be used for evaluation. RESULTS: The study was conducted on ultrasound images of 126 benign and 131 malignant tumors, which enabled effective model training. The model demonstrated an accuracy of 73 %, an AUC of 0.78, specificity of 68.8 %, sensitivity of 80 %, and an F1-score of 70 %. CONCLUSION: Research has shown that the breast tumor classification model has a good ability to distinguish between malignant and benign tumors, and there is significant room for improvement to reduce unnecessary invasive procedures.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:152:377123
Study programmeTitle: University Graduate Studies
Study programme type: university
Study level: integrated undergraduate and graduate
Academic / professional title: doktor/doktorica medicine (doktor/doktorica medicine)
Type of resourceText
File originBorn digital
Access conditionsOpen access
Terms of useLicence In copyright icon
Created on2024-10-30 08:43:01