Publisher's Synopsis
Dokladne przewidywanie i analiza chorób nowotworowych odgrywa kluczowa role w poprawie wyników pacjentów i planowaniu leczenia. W niniejszej rozprawie doktorskiej opracowano model przewidywania i analizy raka przy uzyciu algorytmów glebokiego uczenia, w szczególnosci sztucznych sieci neuronowych (ANN) i konwolucyjnych sieci neuronowych (CNN), z wykorzystaniem obrazów PET/CT. System ma na celu zwiekszenie dokladnosci i skutecznosci diagnozy raka oraz zapewnia cenne informacje do podejmowania decyzji dotyczacych leczenia. System wykorzystuje moc modeli glebokiego uczenia sie, o których wiadomo, ze dostarczaja cennych informacji na temat metabolizmu raka i struktur anatomicznych. Trenujac modele CNN na duzym zbiorze danych obrazów PET/CT z adnotacjami, system moze nauczyc sie rozpoznawac wzorce i cechy wskazujace na regiony nowotworowe. Aby ocenic dokladnosc systemu, zastosowano wskazniki wydajnosci, takie jak Intersection over Union (IoU) i F-measure. IoU mierzy nakladanie sie przewidywanych regionów nowotworowych i adnotacji prawdy naziemnej, podczas gdy miara F ocenia równowage miedzy precyzja i wycofaniem przewidywan. Wskazniki te zapewniaja ilosciowe miary wydajnosci systemu.
