Mehr lesen
La previsione e l'analisi accurate delle malattie tumorali svolgono un ruolo cruciale nel migliorare i risultati dei pazienti e la pianificazione del trattamento. In questa tesi, il modello per la previsione e l'analisi del cancro utilizza algoritmi di deep learning, in particolare reti neurali artificiali (ANN) e reti neurali convoluzionali (CNN), con l'utilizzo di immagini PET/CT. Il sistema mira a migliorare l'accuratezza e l'efficienza della diagnosi del cancro e fornisce preziose indicazioni per le decisioni relative al trattamento. Il sistema sfrutta la potenza dei modelli di apprendimento profondo, noti per fornire informazioni preziose sul metabolismo del cancro e sulle strutture anatomiche. Addestrando i modelli CNN su un ampio set di immagini PET/CT annotate, il sistema può imparare a riconoscere modelli e caratteristiche indicativi di regioni cancerose. Per valutare l'accuratezza del sistema, vengono utilizzate metriche di performance come Intersection over Union (IoU) e F-measure. IoU misura la sovrapposizione tra le regioni cancerose previste e le annotazioni di verità a terra, mentre F-measure valuta l'equilibrio tra precisione e richiamo delle previsioni. Queste metriche forniscono misure quantitative delle prestazioni del sistema.
Über den Autor / die Autorin
Il Prof. Prathamesh S. Birajdar lavora come professore assistente presso il CSE Dept. SSWCOE, Solapur e ha un totale di 4 anni di esperienza. Il Dr. Somnath B. Thigale ha più di 17 anni di esperienza e attualmente lavora come professore e capo del dipartimento AI&DS di FTC COER, Sangola. Il dott. Tukaram A. Chavan ha 25 anni di esperienza come professore e direttore di SSWCOE, Solapur.
