UNIVERZITET U TUZLI
FAKULTET ELEKTROTEHNIKE
Franjevačka br.2
Tuzla
O B J A V L J U J E
Kenan Mazalović, bachelor inž. el., javno će braniti završni magistarski rad pod naslovom: “Segmentacija tumora mozga na MR slikama primjenom arhitektura dubokog učenja”, dana 28.10.2022. godine sa početkom u 11,00 u Multimedijalnoj Sali Univerziteta u Tuzli, pred Komisijom u sastavu:
- Dr.sci. Naser Prljača, redovni profesor na užoj naučnoj oblasti “Automatika i robotika” na Fakultetu elektrotehnike Univerziteta u Tuzli – predsjednik,
- Dr.sci. Amira Šerifović-Trbalić, vanredni profesor na užoj naučnoj oblasti “Automatika i robotika” na Fakultetu elektrotehnike Univerziteta u Tuzli – mentor i član
- Dr.sci. Damir Demirović, vanredni profesor na užoj naučnoj oblasti “Računarstvo i informatika” na Fakultetu elektrotehnike Univerziteta u Tuzli –član
Zamjenski član komisije dr. sci. Amila Dubravić, vanredni profesor, uža naučna oblast “Automatika i robotika”, Fakultet elektrotehnike Univerziteta u Tuzli.
Pristup javnosti je slobodan.
Završni magistarski rad se može pogledati u Sekretarijatu fakulteta svakim radnim danom od 09,00 do 15,00 sati.
REZIME RADA
U radu će biti predstavljen sistem za segmentaciju tumora mozga na MR slikama korištenjem metoda dubokog učenja. Za razvoj sistema preporučeno je koristiti TensorFlow na desktop (CPU i GPU) ili cloud okruženju. Praktični dio će dati detaljan opis koraka segmentacije slika tumora mozga na magnetnoj rezonanci, te analizirati performanse rješenja specifičnosti prepoznavanja u stvarnom vremenu. Gliomi su tumori koji nastaju u glijalnim stanicama mozga i kralježnice.
Gliomi su jedni od najčešćih karcinoma mozga i čine 80% svih malignih tumora mozga. Gliomi se klasifikuju prema tipu ćelije, stepenu, i lokaciji. Prognoza pacijenata sa gliomima visokog stepena ostaje loša. Pristupi mašinskog učenja su takođe od interesa u praćenju progresije glioma niskog stepena i u praćenju pacijenata koji su podvrgnuti liječenju. Prikazane su konvolucijske neuronske mreže (CNN), posebno kada su obučene korištenjem mašinskog učenja za ocenjivanje glioma sa do 94% tačnosti. S obzirom na MR sliku tumora mozga, želimo segmentirati različita tkiva kako bi se pomogla dijagnoza i druge procjene. Javno dostupni skupovi podataka i BRATS je omogućio jasnije i objektivnije poređenje tehnika segmentacije.
Najmodernija automatska segmentacija glioma trenutno je predstavljena metodama dubokog učenja. Duboko učenje je također u porastu za predviđanje molekularnih biomarkera.
Ključne riječi: Tensorflow, Keras, Duboko učenje, Segmentacija slike