رکوردهای مرتبط با این شخص

تشخیص بیماری ذات الریه از تصاویر اشعه ایکس قفسه سینه با استفاده از شبکه عصبی کانولوشن (1401) / کریمی ، ملیحه، نویسنده

نوع مدرک: متون چاپی سرشناسه کریمی ، ملیحه، نویسنده رده‌بندی کنگره : ‭COM A ‭28 عنوان : تشخیص بیماری ذات الریه از تصاویر اشعه ایکس قفسه سینه با استفاده از شبکه عصبی کانولوشن عنوان موازی : Pneumonia Detection from Chest X-ray Images Using Convolutional Neural Network Approach ناشر: دانشگاه شهید اشرفی اصفهانی: اصفهان سال نشر : 1401 صفحه شمار: 48ص شابک/شاپا 24509 یادداشت پایان نامه کارشناسی ارشد :در رشته مهندسی کامپیوترگرایش هوش مصنوعی و رباتیکز شناسه افزوده : کلینی ، مینا، استاد راهنما توصیفگرها شبکه عصبی کانولوشن، بیماری ذات‌الریه، تصاویر اشعه ایکس قفسه سینه، تصویر پردازی، یادگیری انتقالی عمیق  Convolutional neural network, pneumonia, chest x-ray images, image processing, deep transfer learning چکیده : بیماری ذات‌الریه یک بیماری تهدید‌کننده زندگی انسان است که در ریه‌ها به دلیل عفونت ویروسی یا باکتریایی ایجاد می‌شود. فرد مبتلا به ذات‌الریه علائمی از جمله سرفه، تب و لرز، تنگی نفس، انرژی و اشتهای کم دارد و اگر به موقع درمان نشود، علائم تشدید شده و زندگی انسان را به خطر می‌اندازد. بیماری ذات‌الریه با استفاده از روش و دستگاه‌های مختلفی مانند آزمایش‌خون، نمونه‌برداری مخاط و انواع تصویربرداری قابل تشخیص است، اما رایج‌ترین روش تشخیص، تصویربرداری اشعه ایکس قفسه سینه است. با توجه به پیشرفت‌های حاصل شده در تشخیص بیماری ذات‌الریه، مشکلاتی از جمله پایین بودن دقت تشخیص در مسائل دو کلاسه و سه کلاسه وجود دارد، که هدف این مقاله تشخیص بیماری ذات‌الریه از تصاویر اشعه‌ایکس قفسه سینه با استفاده از یادگیری انتقالی و شبکه مولد متخاصم، در دو کلاس نرمال و ذات‌الریه و سپس تعمیم روش به سه کلاس نرمال، ذات‌الریه ویروسی و ذات‌الریه باکتریایی است. دیتاست مقاله دارای 5856 تصویر اشعه‌ایکس قفسه سینه شامل تصاویر نرمال، ذات‌الریه ویروسی و ذات‌الریه باکتریایی می‌باشد و به منظور افزایش حجم داده و دقت تشخیص از شبکه مولد متخاصم استفاده گردید. سه شبکه عصبی کانولوشن عمیق از پیش آموزش دیده مختلف شامل: DenseNet121 و MobileNet برای یادگیری انتقال عمیق استفاده شد. نتیجه‌ی بدست آمده در دو کلاس نرمال و ذات‌الریه با استفاده از شبکه DenseNet121 به دقت 99/0 و با استفاده از شبکه MobileNet نیز به دقت 99/0 رسیده است که نسبت به روش پیشین مورد مقایسه 4 درصد افزایش دقت به همراه داشت لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=13584 زبان مدرک : فارسی

 فهرست موجودی مدرک

شماره ثبت	شماره بازیابی	نام عام مواد	محل نگهداری	بخش	وضعیت ثبت	وضعیت امانت
24509	‭COM A ‭28	پایان‌نامه	دانشگاه شهید اشرفی اصفهانی	مرکزی	اسناد مرجع	غیر قابل امانت