prikaz prve stranice dokumenta Učinkovitost umjetne inteligencije u razlikovanju malignih od benignih ultrazvučnih osobina tumora dojki
  Preuzmi
PDF 370.05 KB
diplomski rad
Učinkovitost umjetne inteligencije u razlikovanju malignih od benignih ultrazvučnih osobina tumora dojki
2024. urn:nbn:hr:152:377123
Marković, Filip
Sveučilište Josipa Jurja Strossmayera u Osijeku
Medicinski fakultet Osijek

Citirajte ovaj rad

Marković, F. (2024). Učinkovitost umjetne inteligencije u razlikovanju malignih od benignih ultrazvučnih osobina tumora dojki (Diplomski rad). Osijek: Sveučilište Josipa Jurja Strossmayera u Osijeku, Medicinski fakultet Osijek. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:152:377123

Marković, Filip. "Učinkovitost umjetne inteligencije u razlikovanju malignih od benignih ultrazvučnih osobina tumora dojki." Diplomski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Medicinski fakultet 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." Diplomski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Medicinski fakultet 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', Diplomski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Medicinski fakultet Osijek, citirano: 18.11.2024., https://urn.nsk.hr/urn:nbn:hr:152:377123

Marković F. Učinkovitost umjetne inteligencije u razlikovanju malignih od benignih ultrazvučnih osobina tumora dojki [Diplomski rad]. Osijek: Sveučilište Josipa Jurja Strossmayera u Osijeku, Medicinski fakultet Osijek; 2024 [pristupljeno 18.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:152:377123

F. Marković, "Učinkovitost umjetne inteligencije u razlikovanju malignih od benignih ultrazvučnih osobina tumora dojki", Diplomski rad, Sveučilište Josipa Jurja Strossmayera u Osijeku, Medicinski fakultet Osijek, Osijek, 2024. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:152:377123

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:152:377123
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovUčinkovitost umjetne inteligencije u razlikovanju malignih od benignih ultrazvučnih osobina tumora dojki
Naslov (engleski)The Efficiency of Artificial Intelligence in Distinguishing Malignant from Benign Ultrasound Features of Breast Tumors
AutorFilip Marković
MentorDamir Štimac (mentor)
Član povjerenstvaTajana Turk (predsjednik povjerenstva)
Član povjerenstvaTatjana Rotim (član povjerenstva)
Član povjerenstvaDamir Štimac (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište Josipa Jurja Strossmayera u Osijeku
Medicinski fakultet Osijek
Osijek
Datum i država obrane2024-09-27, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		BIOMEDICINA I ZDRAVSTVO
Temeljne medicinske znanosti
Sažetak
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.
Sažetak (engleski)
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.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:152:377123
Studijski programNaziv: Medicina
Vrsta studija: sveučilišni
Stupanj studija: integrirani preddiplomski i diplomski
Akademski / stručni naziv: doktor/doktorica medicine (dr. med.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2024-10-30 08:43:01