Đăng nhập

Hãy chọn một cách để đăng nhập

Facebook Google Zalo

Hoặc tiếp tục với email

Nhớ mật khẩu

Chưa có tài khoản? Đăng ký

Chuẩn đoán một số bệnh phổi sử dụng xử lý ảnh và học sâu

123 6 0

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

1 / 123 trang

THÔNG TIN TÀI LIỆU

Cấu trúc

Page 1
Page 1

Nội dung

Ngày đăng: 27/11/2021, 10:29

HÌNH ẢNH LIÊN QUAN

Hình 3.2. Mạng perceptron - Chuẩn đoán một số bệnh phổi sử dụng xử lý ảnh và học sâu — Hình 3.2. Mạng perceptron (Trang 20)

Hình 3.4 Đồ thị hàm sigmoid và đạo hàm của nó - Chuẩn đoán một số bệnh phổi sử dụng xử lý ảnh và học sâu — Hình 3.4 Đồ thị hàm sigmoid và đạo hàm của nó (Trang 21)

Bảng 3.1 Sự biến thiên của hàm số f(x)=x^2 - Chuẩn đoán một số bệnh phổi sử dụng xử lý ảnh và học sâu — Bảng 3.1 Sự biến thiên của hàm số f(x)=x^2 (Trang 23)

Hình 3.9 Các trường hợp xảy ra khi chọn learning rate - Chuẩn đoán một số bệnh phổi sử dụng xử lý ảnh và học sâu — Hình 3.9 Các trường hợp xảy ra khi chọn learning rate (Trang 25)

3.1.1.4.2. Mô hình mạng nơ-ron nhân tạo - Chuẩn đoán một số bệnh phổi sử dụng xử lý ảnh và học sâu — 3.1.1.4.2. Mô hình mạng nơ-ron nhân tạo (Trang 27)

b. Mô hình tổng quát - Chuẩn đoán một số bệnh phổi sử dụng xử lý ảnh và học sâu — b. Mô hình tổng quát (Trang 28)

Hình 3.23 Tích chập phần tử đầu tiên củ aX và W - Chuẩn đoán một số bệnh phổi sử dụng xử lý ảnh và học sâu — Hình 3.23 Tích chập phần tử đầu tiên củ aX và W (Trang 43)

Hình 3.24 Kết quả tích chập củ aX và W - Chuẩn đoán một số bệnh phổi sử dụng xử lý ảnh và học sâu — Hình 3.24 Kết quả tích chập củ aX và W (Trang 44)

Nhắc lại mô hình mạng rơ-ron trong phần trước: - Chuẩn đoán một số bệnh phổi sử dụng xử lý ảnh và học sâu — h ắc lại mô hình mạng rơ-ron trong phần trước: (Trang 47)

Hình 3.29 Dùng mạng nơ-ron cho việc xử lý ảnh không khả thi - Chuẩn đoán một số bệnh phổi sử dụng xử lý ảnh và học sâu — Hình 3.29 Dùng mạng nơ-ron cho việc xử lý ảnh không khả thi (Trang 48)

Hình 3.35 Max pooling - Chuẩn đoán một số bệnh phổi sử dụng xử lý ảnh và học sâu — Hình 3.35 Max pooling (Trang 53)

Sau khi ảnh được truyền qua nhiều tầng tích chập và tầng tổng hợp thì mô hình đã học được tương đối các đặc điểm của ảnh (ví dụ mắt, mũi, khung mặt,…) thì ten-sơ đầu ra của tầng cuối cùng có kích thước - Chuẩn đoán một số bệnh phổi sử dụng xử lý ảnh và học sâu — au khi ảnh được truyền qua nhiều tầng tích chập và tầng tổng hợp thì mô hình đã học được tương đối các đặc điểm của ảnh (ví dụ mắt, mũi, khung mặt,…) thì ten-sơ đầu ra của tầng cuối cùng có kích thước (Trang 54)

Trong một số mô hình CNN người ta dùng tầng tích chập với - Chuẩn đoán một số bệnh phổi sử dụng xử lý ảnh và học sâu — rong một số mô hình CNN người ta dùng tầng tích chập với (Trang 54)

Hình 3.48 Phổ tuổi theo giới tính của các bệnh còn lại - Chuẩn đoán một số bệnh phổi sử dụng xử lý ảnh và học sâu — Hình 3.48 Phổ tuổi theo giới tính của các bệnh còn lại (Trang 63)

Hình 3.63 Thoát vị Hiatal ngẫu nhiên trên X-quang ngực - Chuẩn đoán một số bệnh phổi sử dụng xử lý ảnh và học sâu — Hình 3.63 Thoát vị Hiatal ngẫu nhiên trên X-quang ngực (Trang 82)

Hình 3.66 ROC Curve - Chuẩn đoán một số bệnh phổi sử dụng xử lý ảnh và học sâu — Hình 3.66 ROC Curve (Trang 88)

3.2.7.4. Xây dựng mô hình và huấn luyện - Chuẩn đoán một số bệnh phổi sử dụng xử lý ảnh và học sâu — 3.2.7.4. Xây dựng mô hình và huấn luyện (Trang 100)

Hình 3.69 Biểu đồ thể hiện độ mất mát trong quá trình training và validate của mô hình DenseNet121 - Chuẩn đoán một số bệnh phổi sử dụng xử lý ảnh và học sâu — Hình 3.69 Biểu đồ thể hiện độ mất mát trong quá trình training và validate của mô hình DenseNet121 (Trang 103)

b). Mô hình MobileNet - Chuẩn đoán một số bệnh phổi sử dụng xử lý ảnh và học sâu — b . Mô hình MobileNet (Trang 104)

Hình 3.70 Biểu đồ thể hiện độ chinh xác trong quá trình training và validate của mô hình DenseNet121 - Chuẩn đoán một số bệnh phổi sử dụng xử lý ảnh và học sâu — Hình 3.70 Biểu đồ thể hiện độ chinh xác trong quá trình training và validate của mô hình DenseNet121 (Trang 104)

Hình 3.72 Biểu đồ thể hiện độ chinh xác trong quá trình training và validate của mô hình MobileNet - Chuẩn đoán một số bệnh phổi sử dụng xử lý ảnh và học sâu — Hình 3.72 Biểu đồ thể hiện độ chinh xác trong quá trình training và validate của mô hình MobileNet (Trang 106)

Hình 3.73 Biểu đồ thể hiện độ mất mát trong quá trình training và validate của mô hình VGG16 - Chuẩn đoán một số bệnh phổi sử dụng xử lý ảnh và học sâu — Hình 3.73 Biểu đồ thể hiện độ mất mát trong quá trình training và validate của mô hình VGG16 (Trang 108)

Hình 3.74 Biểu đồ thể hiện độ chinh xác trong quá trình training và validate của mô hình VGG16 - Chuẩn đoán một số bệnh phổi sử dụng xử lý ảnh và học sâu — Hình 3.74 Biểu đồ thể hiện độ chinh xác trong quá trình training và validate của mô hình VGG16 (Trang 108)

Hình 3.78 Biểu đồ ROC thể hiện độ chính xác từng bệnh của mô hình VGG16 - Chuẩn đoán một số bệnh phổi sử dụng xử lý ảnh và học sâu — Hình 3.78 Biểu đồ ROC thể hiện độ chính xác từng bệnh của mô hình VGG16 (Trang 112)

Dựa vào các ngưỡng xác định bệnh theo từng mô hình, chúng tôi lập ra ma trận confusion cho tập dữ liệu kiểm tra: - Chuẩn đoán một số bệnh phổi sử dụng xử lý ảnh và học sâu — a vào các ngưỡng xác định bệnh theo từng mô hình, chúng tôi lập ra ma trận confusion cho tập dữ liệu kiểm tra: (Trang 113)

Mô hình MobileNetV2 - Chuẩn đoán một số bệnh phổi sử dụng xử lý ảnh và học sâu — h ình MobileNetV2 (Trang 114)

nhiều. Tuy nhiên ở mô hình MobileNetV2 số lượng chẩn đoán đúng các bệnh thực sự thì rất đáng tin cậy - Chuẩn đoán một số bệnh phổi sử dụng xử lý ảnh và học sâu — nhi ều. Tuy nhiên ở mô hình MobileNetV2 số lượng chẩn đoán đúng các bệnh thực sự thì rất đáng tin cậy (Trang 116)

Hình 3.81 Biểu đồ chẩn đoán các bệnh - Chuẩn đoán một số bệnh phổi sử dụng xử lý ảnh và học sâu — Hình 3.81 Biểu đồ chẩn đoán các bệnh (Trang 118)

TRÍCH ĐOẠN

Mạng nơ-ron nhân tạo (Neural Networ k NN)

Mô hình pre-trained MobileNet Bóng tim to (Cardiomegaly) Dạng khối (Mass)

Tràn khí màng phổi (Pneumothorax)

TÀI LIỆU CÙNG NGƯỜI DÙNG

TÀI LIỆU LIÊN QUAN