1. Zgodnje odkrivanje tveganja nenalezljivih bolezni pri bolnikih z rakom dojk na podlagi umetne inteligence (projekt ARTILLERY)Tomaž Vrtovec, Luka Škrlj, 2024, published scientific conference contribution Abstract: Naraščajoče zbolevanje in izboljšave pri zdravljenju bolnikov z rakom dojk prispevajo tudi k naraščajočemu številu preživelih, ki pa so bolj ogroženi za razvoj drugih kroničnih bolezni, kot so srčno-žilne bolezni, bolezni dihal, povečanje telesne mase in osteoporoza. Ker se večina bolnikov zdravi tudi z radioterapijo, lahko iz slik, pridobljenih z računalniško tomografijo za namene načrtovanja obsevanja, izluščimo tudi informacije o dejavnikih tveganja za druge bolezni. Cilj projekta ARTILLERY v sklopu okvirnega programa Evropske unije Obzorje Evropa je razvoj in vrednotenje zanesljivih in zaupanja vrednih računalniško podprtih sistemov umetne inteligence, ki jih bo mogoče uporabiti na rutinsko pridobljenih računalniško tomografskih slikah za odkrivanje kroničnih bolezni ali njihovih dejavnikov tveganja za namene podaljševanja pričakovane življenjske dobe in izboljšanja kakovosti življenja v naraščajoči populaciji preživelih bolnikov z rakom dojk. V Laboratoriju za slikovne tehnologije na Fakulteti za elektrotehniko Univerze v Ljubljani imamo dolgoletne izkušnje z razvojem in vrednotenjem računalniško podprtih metod za analizo medicinskih slik hrbtenice, zato je naša vloga pri projektu povezana z določanjem tveganja osteoporoze in osteopenije ter razpoznavanjem vretenčnih zlomov. Kljub temu, da je projekt šele v začetni fazi, smo razvili računalniško podprto metodo na osnovi umetne inteligence za segmentacijo hrbtenice in določanje področij zanimanja znotraj vretenčnih teles, na podlagi katerih bomo izluščili informacije o mineralni kostni gostoti ter jo povezali z referenčnimi diagnostičnimi izvidi. Rezultati začetnih raziskav kažejo, da bo razvita metoda potencialno uporabna za zgodnje odkrivanje osteoporoze in osteopenije ter za razpoznavanje vretenčnih zlomov.
Keywords: umetna inteligenca, globoko učenje, analiza medicinskih slik, rak dojke, osteoporoza
Published in DiRROS: 04.06.2024; Views: 61; Downloads: 24
 Full text (434,19 KB) |
2. |
3. Uporaba metod strojnega učenja za preučevanje odnosov med značilnostmi branik in okoljemJernej Jevšenak, Sašo Džeroski, Tom Levanič, 2017, original scientific article Abstract: Različne študije so pokazale, da lahko z nelinearnimi metodami bolje opišemo (modeliramo) odnos med branikami in okoljem. V naši študiji smo primerjali (multiplo) linearno regresijo (MLR) in štiri nelinearne metode strojnega učenja: modelna drevesa (MT), ansambel bagging modelnih dreves (BMT), umetne nevronske mreže (ANN) in metodo naključnih gozdov (RF). Za primerjavo teh metod modeliranja smo uporabili štiri množice podatkov. Natančnost naučenih modelov smo ocenili z metodo 10-kratnega prečnega preverjanja (ang. 10-fold cross-validation) na naši množici in preverjanjem na dodatni testni množici. Na vseh množicah smo dobili boljše statistične kazalce za nelinearne metode s področja strojnega učenja, s katerimi lahko pojasnimo večji delež variance oz. dobimo manjšo napako. Nobena metoda se ni pokazala kot najboljša v vseh primerih, zato je smiselno predhodno primerjati več različnih metod in nato uporabiti najprimernejšo, npr. za rekonstrukcijo klime.
Keywords: strojno učenje, primerjava metod, dendroklimatologija, umetne nevronske mreže, modelna drevesa, ansambel modelnih dreves, naključni gozdovi, linearna regresija
Published in DiRROS: 21.02.2018; Views: 5456; Downloads: 3348
Full text (1,18 MB)
This document has many files! More... |
4. Analiza učinkovitosti učenja strojnika na stroju za sečnjoŠpela Pezdevšek Malovrh, Boštjan Košir, Janez Krč, 2004, original scientific article Abstract: Članek obravnava načine učenja bodočih strojnikov za delo s strojem za sečnjo.Na prvem takšnem primeru v Sloveniji je opisan in analiziran potek učenja s simulatorjem in merjeni so časi posameznih postopkov pri dveh kandidatih. Opisano je delovanje simulatorja za učenje na stroju Timberjack 1270 D in potek enotedenskega tečaja. Narejena je primerjava med kandidatoma glede porabe časa in števila poškodb na virtualnem stroju in sestoju, ki jih je beležil program simulatorja. Podane so usmeritve za prihodnje študije in spremljanje učinkov strojnikov pri delu.
Keywords: stroji za sečnjo, strojna sečnja, simulator, učenje
Published in DiRROS: 12.07.2017; Views: 4624; Downloads: 1806
Full text (1,37 MB) |
