<?xml version="1.0"?>
<metadata xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns:dc="http://purl.org/dc/elements/1.1/"><dc:title>Razlikovanje normalnih in rakavih urotelijskih celic iz mikroskopskih slik z uporabo strojnega učenja</dc:title><dc:creator>Mikec,	Anže	(Avtor)
	</dc:creator><dc:creator>Demšar,	Janez	(Mentor)
	</dc:creator><dc:creator>Erdani Kreft,	Mateja	(Komentor)
	</dc:creator><dc:subject>rakave celice</dc:subject><dc:subject>rak na sečnem mehurju</dc:subject><dc:subject>razločevanje normalnih in rakavih urotelijskih celic</dc:subject><dc:subject>segmentacija slik</dc:subject><dc:subject>obdelava mikroskopskih slik</dc:subject><dc:subject>segmentacija mikroskopskih slik</dc:subject><dc:subject>strojno učenje</dc:subject><dc:subject>morfologija celic</dc:subject><dc:description>Mnogi raziskovalci in zdravniki zaradi pomanjkanja dobrih in zanesljivih orodij, mikroskopske slike s celicami še vedno označujejo ročno, kar je časovno potratno in zvišuje stroške raziskovanja in zdravljenja. Kot odgovor na ta problem, smo razvili orodje, ki z metodo Watershed samodejno zaznava in razločuje normalne in rakave urotelijske celice. Orodje v prvih korakih segmentira mikroskopske slike in označi regije odkritih celic. Na osnovi odkritih celic sledi izbor in izračun značilk, ki jih orodje v naslednjih korakih uporabi za učenje napovednih modelov. V raziskavi smo celice v ciljna razreda uvrščali z nevronskimi mrežami, naključnimi gozdovi, naivnim Bayesovim klasifikatorjem, odločitvenimi pravili CN2, metodo podpornih vektorjev ter metodama boosting in bagging. Opisan postopek smo izvedli s samodejno označenimi, nato pa še z ročno označenimi slikami normalnih prašičjih in rakavih humanih urotelijskih celic.Empirična opazovanja kažejo, da orodje dobro segmentira celice. Kljub temu se izkaže, da napovedni modeli boljše razločujejo med normalnimi in rakavimi celicami na ročno označenih celicah. Najboljše rezultate z ročno označenimi celicami dosegajo nevronske mreže (AUC (area under the curve) 0,9052), metoda bagging (AUC 0,9041) in naključni gozdovi (AUC 0,9005). Zmogljivost orodja smo preverili še z naborom citopatoloških urinskih vzorcev. Pri teh vzorcih so rezultati samodejne segmentacije opazno slabši kot pri drugih naborih slik. Kljub temu, bi lahko z nadaljnjimi izboljšavami orodje bistveno pripomoglo k poenostavljenim in zanesljivejšim analizam mikroskopskih slik rakavih celic.</dc:description><dc:date>2016</dc:date><dc:date>2016-10-25 13:45:02</dc:date><dc:type>Magistrsko delo/naloga</dc:type><dc:identifier>86751</dc:identifier><dc:identifier>VisID: 17262</dc:identifier><dc:language>sl</dc:language></metadata>
