1. ELARTU — Інституційний репозитарій ТНТУ імені Івана Пулюя
  2. Роботи студентів
  3. Магістр
  4. 122 — комп’ютерні науки
Bitte benutzen Sie diese Kennung, um auf die Ressource zu verweisen: http://elartu.tntu.edu.ua/handle/lib/47027
Langanzeige der Metadaten
DC ElementWertSprache
dc.contributor.advisorФриз, Михайло Євгенович-
dc.contributor.advisorFryz, Mykhailo-
dc.contributor.authorРоган, Ярослав Ігорович-
dc.contributor.authorRohan, Yaroslav-
dc.date.accessioned2025-01-02T20:24:32Z-
dc.date.available2025-01-02T20:24:32Z-
dc.date.issued2024-12-26-
dc.date.submitted2024-12-12-
dc.identifier.citationРоган Я. І. Інформаційна система для діагностики хвороби Альцгеймера з використанням нейронних мереж : робота на здобуття кваліфікаційного ступеня магістра : спец. 122 - комп’ютерні науки / наук. кер. М. Є. Фриз. Тернопіль : Тернопільський національний технічний університет імені Івана Пулюя, 2024. 71 с.uk_UA
dc.identifier.urihttp://elartu.tntu.edu.ua/handle/lib/47027-
dc.descriptionРоботу виконано на кафедрі комп'ютерних наук Тернопільського національного технічного університету імені Івана Пулюя. Захист відбудеться 26.12.2024 р. о 10 год. на засіданні екзаменаційної комісії №35 у Тернопільському національному технічному університеті імені Івана Пулюяuk_UA
dc.description.abstractКваліфікаційна робота присвячена розробці інформаційної системи для діагностики хвороби Альцгеймера з використанням нейронних мереж. В першому розділі кваліфікаційної роботи описано предметне середовище та проаналізовано літературні джерела. В другому розділі кваліфікаційної роботи проаналізовано предметну область та описано підготовку даних для навчання нейронної мережі. В третьому розділі кваліфікаційної роботи описано засоби розробки, проаналізовано результати роботи нейронної мережі Inception V3 та реалізовано алгоритм Grad-CAM. В четвертому розділі кваліфікаційної роботи проаналізовано важливість дотримання норм охорони праці та заходів безпеки в надзвичайних ситуаціях та розглянуто аспекти безпеки, пов’язані з використанням комп’ютерного обладнання та програмного забезпечення. Об’єкт дослідження: процес здійснення діагностики хвороби Альцгеймера. Предмет дослідження: методи штучного інтелекту, зокрема нейронні мережі для діагностики хвороби Альцгеймера.uk_UA
dc.description.abstractThesis is devoted to the development of an information system for diagnosing Alzheimer's disease using neural networks. The first chapter of the thesis describes the subject environment and analyzes the literature. The second chapter of the qualification work analyzes the subject area and describes the preparation of data for training a neural network. The third section of the qualification work describes the development tools, analyzes the results of the Inception V3 neural network and implements the Grad-CAM algorithm. The fourth chapter of the qualification work analyzes the importance of compliance with labor protection standards and safety measures in emergencies and considers the safety aspects associated with the use of computer hardware and software. Object of research: an information system for diagnosing Alzheimer's disease. Subject of research: methods of artificial intelligence, in particular neural networks for diagnosing Alzheimer's disease.uk_UA
dc.description.tableofcontentsВступ 10 1 Аналітичний огляд літературних джерел за напрямом дослідження 12 1.1 Огляд хвороби Альцгеймера 12 1.2 Аналіз методів діагностики хвороби Альцгеймера з використанням машинного навчання 15 1.3 Висновки до першого розділу 23 2 Опис інформаційної системи 25 2.1 Дані та їх аугментація 25 2.2 Опис методів штучного інтелекту для обробки медичних зображень 27 2.3 Архітектура інформаційної системи 35 2.4 Висновки до другого розділу 40 3 Розробка та тестування системи 41 3.1 Тренування нейронної мережі 41 3.2 Аналіз отриманих результатів з використанням Grad-CAM 48 3.3 Висновки до третього розділу 51 4 Охорона праці та безпека в надзвичайних ситуаціях 53 4.1 Організація робочого місця для користувачів комп’ютерної мережі 53 4.2 Фактори ризику і можливі порушення здоров’я користувачів комп’ютерної мережі 57 4.3 Висновок до четвертого розділу 61 Висновки 62 Перелік джерел 64 Додаткиuk_UA
dc.format.extent71-
dc.language.isoukuk_UA
dc.publisherТернопільський національний технічний університет імені Івана Пулюяuk_UA
dc.subjectкомп’ютерні наукиuk_UA
dc.subjectМРТ головного мозкуuk_UA
dc.subjectдіагностика хворобиuk_UA
dc.subjectмашинне навчанняuk_UA
dc.subjectнавчання нейронної мережіuk_UA
dc.subjectнейронні мережіuk_UA
dc.subjectхвороба Альцгеймераuk_UA
dc.subjectінформаційна системаuk_UA
dc.subjectAlzheimer's diseaseuk_UA
dc.subjectGrad-CAMuk_UA
dc.subjectbrain MRIuk_UA
dc.subjectdisease diagnosticsuk_UA
dc.subjectinformation systemuk_UA
dc.subjectmachine learninguk_UA
dc.subjectneural network traininguk_UA
dc.subjectneural networksuk_UA
dc.titleІнформаційна система для діагностики хвороби Альцгеймера з використанням нейронних мережuk_UA
dc.title.alternativeInformation System for Diagnosis of Alzheimer'S Disease Using Neural Networksuk_UA
dc.typeMaster Thesisuk_UA
dc.rights.holder© Роган Ярослав Ігорович, 2024uk_UA
dc.coverage.placenameТНТУ ім. І.Пулюя, ФІС, м. Тернопіль, Українаuk_UA
dc.subject.udc004.8uk_UA
dc.relation.references1. Oishi, K., Fuse, H., Maikusa, N., Fukami, T., & Alzheimer's Disease Neuroimaging Initiative. (2018). Classification of patients with Alzheimer's disease and healthy subjects from MRI brain images using the existence probability of tissue types. *2018 Joint 10th International Conference on Soft Computing and Intelligent Systems (SCIS) and 19th International Symposium on Advanced Intelligent Systems (ISIS)*, 1035-1038. https://doi.org/10.1109/SCIS-ISIS.2018.00172uk_UA
dc.relation.references2. Anuradha, G., Jamal, N., & Rafiammal, S. (2017). Detection of dementia in EEG signal using dominant frequency analysis. *2017 IEEE International Conference on Power, Control, Signals and Instrumentation Engineering (ICPCSI)*, 710-714. https://doi.org/10.1109/ICPCSI.2017.8391806uk_UA
dc.relation.references3. Liu, J., Tian, X., Lin, H., Li, H.-D., & Pan, Y. (2024). Multi-task learning for Alzheimer's disease diagnosis and mini-mental state examination score prediction. *Big Data Mining and Analytics, 7*(3), 828-842. https://doi.org/10.26599/BDMA.2024.9020025uk_UA
dc.relation.references4. Zuo, L. (2022). Comparison between the traditional and computerized cognitive training programs in treating mild cognitive impairment. *2022 2nd International Conference on Electronic Information Engineering and Computer Technology (EIECT)*, 119-124. https://doi.org/10.1109/EIECT58010.2022.00029uk_UA
dc.relation.references5. Rahimpour, M., Goffin, K., & Koole, M. (2019). Convolutional neural networks for brain tumor segmentation using different sets of MRI sequences. *2019 IEEE Nuclear Science Symposium and Medical Imaging Conference (NSS/MIC)*, 1-3. https://doi.org/10.1109/NSS/MIC42101.2019.9059769uk_UA
dc.relation.references6. Abuzaid, M. M., Yuvalı, M., & Ozsahin, D. U. (2024). Machine learning classification of patients undergoing abdominal CT scans: Factors affecting imaging quality and radiation exposure. *2024 Advances in Science and Engineering Technology International Conferences (ASET)*, 1-8. https://doi.org/10.1109/ASET60340.2024.10708642uk_UA
dc.relation.references7. Pomper, M. G., & Hammoud, D. A. (2004). Positron emission tomography in molecular imaging. *IEEE Engineering in Medicine and Biology Magazine, 23*(4), 28-37. https://doi.org/10.1109/MEMB.2004.1337947uk_UA
dc.relation.references8. Scopus. (n.d.). Retrieved from https://www.scopus.com/uk_UA
dc.relation.references9. Kadhim, K., Mohamed, F., Sakran, A., Adnan, M., & Salman, G. (2023). Early diagnosis of Alzheimer's disease using convolutional neural network-based MRI. *Malaysian Journal of Fundamental and Applied Sciences, 19*(3), 362-368uk_UA
dc.relation.references10. Dakdareh, S. (2024). Diagnosis of Alzheimer’s disease and mild cognitive impairment using convolutional neural networks. *Journal of Alzheimer’s Disease Reports, 8*(1), 317-328uk_UA
dc.relation.references11. Warren, S., & Moustafa, A. (2022). Functional magnetic resonance imaging, deep learning, and Alzheimer's disease: A systematic review. *Journal of Neuroimaging, 33*(1), 5-18uk_UA
dc.relation.references12. Liu, M., Zhang, J., Adeli, E., & Shen, D. (2019). Joint classification and regression via deep multi-task multi-channel learning for Alzheimer’s disease diagnosis. *IEEE Transactions on Biomedical Engineering, 66*(5), 1195-1206uk_UA
dc.relation.references13. Mehmood, A., Maqsood, M., Bashir, M., & Shuyuan, Y. (2020). A deep Siamese convolution neural network for multi-class classification of Alzheimer's disease. *Brain Sciences, 10*(2), 84uk_UA
dc.relation.references14. Martinez-Murcia, F. J., Ortiz, A., Gorriz, J.-M., et al. (2020). Studying the manifold structure of Alzheimer's disease: A deep learning approach using convolutional autoencoders. *IEEE Journal of Biomedical and Health Informatics, 24*(1), 17-26uk_UA
dc.relation.references15. Wang, H., Shen, Y., Wang, S., Xiao, T., Deng, L., Wang, X., ... & Zhao, X. (2019). Ensemble of 3D densely connected convolutional network for diagnosis of mild cognitive impairment and Alzheimer's disease. *Neurocomputing, 333*, 145-156uk_UA
dc.relation.references16. Zhao, M. (2023). Recent progresses in neural networks for Alzheimer's disease detection. Retrieved from [Publisher Info]uk_UA
dc.relation.references17. Hong, X., Lin, R., Yang, C., Zeng, N., Cai, C., Gou, J., ... & Yang, J. (2019). Predicting Alzheimer's disease using LSTM. *IEEE Access, 7*, 80893-80901uk_UA
dc.relation.references18. Ramzan, F., Khan, M., Rehmat, A., Iqbal, S., Saba, T., & Mehmood, Z. (2019). A deep learning approach for automated diagnosis and multi-class classification of Alzheimer's disease stages using resting-state fMRI and residual neural networks. *Journal of Medical Systems, 44*(2)uk_UA
dc.relation.references19. Ju, R., Hu, C., Zhou, P., & Li, Q. (2019). Early diagnosis of Alzheimer's disease based on resting-state brain networks and deep learning. *IEEE/ACM Transactions on Computational Biology and Bioinformatics, 16*(1), 244-257uk_UA
dc.relation.references20. Mehmood, A., Yang, S., Feng, Z., et al. (2021). A transfer learning approach for early diagnosis of Alzheimer’s disease on MRI images. *Neuroscience, 460*, 43-52uk_UA
dc.relation.references21. Gupta, Y., Lama, R. K., & Kwon, G.-R. (2019). Prediction and classification of Alzheimer's disease based on combined features from apolipoprotein-E genotype, cerebrospinal fluid, MR, and FDG-PET imaging biomarkers. *Frontiers in Computational Neuroscience, 13*, 72uk_UA
dc.relation.references22. El-Sappagh, S., Alonso, J. M., Islam, S. M. R., et al. (2021). A multilayer multimodal detection and prediction model based on explainable artificial intelligence for Alzheimer’s disease. *Scientific Reports, 11*(1), 2660uk_UA
dc.relation.references23. Kruthika, K. R., Rajeswari, & Maheshappa, H. D. (2019). Multistage classifier-based approach for Alzheimer’s disease prediction and retrieval. *Informatics in Medicine Unlocked, 14*, 34-42uk_UA
dc.relation.references24. Durongbhan, P., Zhao, Y., Chen, L., et al. (2019). A dementia classification framework using frequency and time-frequency features based on EEG signals. *IEEE Transactions on Neural Systems and Rehabilitation Engineering, 27*(5), 826-835uk_UA
dc.relation.references25. Chamakuri, R., & Janapana, H. (2024). A systematic review on recent methods on deep learning for automatic detection of Alzheimer's disease. *Medicine in Novel Technology and Devices, 25*, 100343. https://doi.org/10.1016/j.medntd.2024.100343uk_UA
dc.relation.references26. Benussi, A., Grassi, M., Palluzzi, F., et al. (2020). Classification accuracy of transcranial magnetic stimulation for the diagnosis of neurodegenerative dementias. *Annals of Neurology, 87*(3), 394–404. https://doi.org/10.1002/ana.25680uk_UA
dc.relation.references27. Fulton, L., Dolezel, D., Harrop, J., et al. (2019). Classification of Alzheimer’s disease with and without imagery using gradient boosted machines and ResNet-50. *Brain Sciences, 9*(9), 212. https://doi.org/10.3390/brainsci9090212uk_UA
dc.relation.references28. Alzheimer’s dataset (4 classes of images) [Data set]. Retrieved from https://www.kaggle.com/datasets/marcopinamonti/alzheimer-mri-4-classes-datasetuk_UA
dc.relation.references29. Padigela, J., Balla, S. S., Akula, P., & Sravani, K. (2023). Comparison of data augmentation techniques for training CNNs to detect pneumonia from chest X-ray images. *2023 International Conference on Computational Intelligence for Information, Security and Communication Applications (CIISCA)*, 35–39. https://doi.org/10.1109/CIISCA59740.2023.00017uk_UA
dc.relation.references30. Chen, G., & Yuan, Q. (2021). Application and existing problems of computer network technology in the field of artificial intelligence. *2021 2nd International Conference on Artificial Intelligence and Computer Engineering (ICAICE)*, Hangzhou, China, 139–142. https://doi.org/10.1109/ICAICE54393.2021.00035uk_UA
dc.relation.references31. T. R. N., & Gupta, R. (2020). A survey on machine learning approaches and its techniques. *2020 IEEE International Students' Conference on Electrical, Electronics and Computer Science (SCEECS)*, Bhopal, India, 1–6. https://doi.org/10.1109/SCEECS48394.2020.190uk_UA
dc.relation.references32. Kaloev, M., & Krastev, G. (2021). Experiments focused on exploration in deep reinforcement learning. *2021 5th International Symposium on Multidisciplinary Studies and Innovative Technologies (ISMSIT)*, 351–355. https://doi.org/10.1109/ISMSIT52890.2021.9604690uk_UA
dc.relation.references33. Cai, M. (2022). Neural network model structure and node optimization based on mathematical statistics. *2022 Sixth International Conference on I-SMAC (IoT in Social, Mobile, Analytics and Cloud) (I-SMAC)*, 623–626. https://doi.org/10.1109/I-SMAC55078.2022.9987313uk_UA
dc.relation.references34. Li, H. (2021). Computer network connection enhancement optimization algorithm based on convolutional neural network. *2021 International Conference on Networking, Communications and Information Technology (NetCIT)*, 281–284. https://doi.org/10.1109/NetCIT54147.2021.00063uk_UA
dc.relation.references35. Fryz, M., Scherbak, L., Mlynko, B., & Mykhailovych, T. (2023). Linear random process model-based EEG classification using machine learning techniques. *Proceedings of the 1st International Workshop on Computer Information Technologies in Industry 4.0 (CITI 2023)*, 126–132uk_UA
dc.relation.references36. Stadnyk, M., Fryz, M., Zagorodna, N., Muzh, V., Kochan, R., Nikodem, J., & Hamera, L. (2022). Steady state visual evoked potential classification by modified KNN method. *Procedia Computer Science, 207*, 71–79uk_UA
dc.relation.references37. Troedsson, E., Carlsson, M., & Wendt, H. (2024). On gradient-based descent algorithms for joint diagonalization of matrices. *2024 32nd European Signal Processing Conference (EUSIPCO)*, 2632–2636. https://doi.org/10.23919/EUSIPCO63174.2024.10715124uk_UA
dc.relation.references38. Бабак, В. П., Куц, Ю. В., Мислович, М. В., Фриз, М. Є., & Щербак, Л. М. (2024). Об’єктно-орієнтована ідентифікація стохастичних шумових сигналів. Київ: Наукова думка. https://doi.org/10.15407/978-966-00-1883-9uk_UA
dc.relation.references39. Babak, V., Zaporozhets, A., Kuts, Y., Fryz, M., & Scherbak, L. (2025). Noise signals: Modelling and analyses. Cham: Springer Nature Switzerland. https://doi.org/10.1007/978-3-031-71093-3uk_UA
dc.relation.references40. Fryz, M., Kharchenko, S., & Scherbak, L. (2023). Ergodicity and mixing of conditional linear random processes in the problems of information signal modelling and analysis. *Proceedings of the 3rd International Workshop on Information Technologies: Theoretical and Applied Problems (ITTAP 2023)*, 382–388uk_UA
dc.relation.references41. Şen, S. Y., & Özkurt, N. (2020). Convolutional neural network hyperparameter tuning with Adam optimizer for ECG classification. *2020 Innovations in Intelligent Systems and Applications Conference (ASYU)*, 1–6. https://doi.org/10.1109/ASYU50717.2020.9259896uk_UA
dc.relation.references42. Shetty, S. B., Nishith, C. S., Kamath, & Nishani. (2022). Skin disease classification using inceptionV3 model. *2022 International Conference on Artificial Intelligence and Data Engineering (AIDE)*, 312–315. https://doi.org/10.1109/AIDE57180.2022.10059678uk_UA
dc.relation.references43. Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., & Wojna, Z. (2015). Rethinking the inception architecture for computer vision. *ArXiv*. https://arxiv.org/abs/1512.00567uk_UA
dc.relation.references44. Rodriguez-Cardenas, D. (2024). Beyond accuracy and robustness metrics for large language models for code. *2024 IEEE/ACM 46th International Conference on Software Engineering: Companion Proceedings (ICSE-Companion)*, 159–161. https://doi.org/10.1145/3639478.3639792uk_UA
dc.relation.references45. Bansal, A., Singh, J., Verucchi, M., Caccamo, M., & Sha, L. (2021). Risk ranked recall: Collision safety metric for object detection systems in autonomous vehicles. *2021 10th Mediterranean Conference on Embedded Computing (MECO)*, Budva, Montenegro, 1–4. https://doi.org/10.1109/MECO52532.2021.9460196uk_UA
dc.relation.references46. Yadav, P., Sujatha, P., Dhavachelvan, P., & Prasad, K. (2014). Weight-based precision-oriented metrics for multilingual information retrieval system. *2014 IEEE International Conference on Advanced Communications, Control and Computing Technologies (ICACCCT)*, 1114–1119. https://doi.org/10.1109/ICACCCT.2014.7019271uk_UA
dc.relation.references47. Sepúlveda, J., & Velastín, S. A. (2015). F1 score assessment of Gaussian mixture background subtraction algorithms using the MuHAVi dataset. *6th International Conference on Imaging for Crime Prevention and Detection (ICDP-15)*, London, UK, 1–6. https://doi.org/10.1049/ic.2015.0106uk_UA
dc.relation.references48. Bahaweres, R. B., & Nuraini, I. K. (2024). Cost-sensitive approach for improving AUC-ROC curve of software defect prediction. *2024 International Seminar on Intelligent Technology and Its Applications (ISITIA)*, Mataram, Indonesia, 178–183. https://doi.org/10.1109/ISITIA63062.2024.10668184uk_UA
dc.relation.references49. Krstinić, D., Šerić, L., & Slapničar, I. (2023). Comments on “MLCM: Multi-Label Confusion Matrix.” *IEEE Access, 11*, 40692–40697. https://doi.org/10.1109/ACCESS.2023.3267672uk_UA
dc.relation.references50. Selvaraju, R. R., Cogswell, M., Das, A., et al. (2020). Grad-CAM: Visual explanations from deep networks via gradient-based localization. *International Journal of Computer Vision, 128*(2), 336–359. https://doi.org/10.1007/s11263-019-01228-7uk_UA
dc.relation.references51. Gildenblat, J. (n.d.). Advanced AI explainability for PyTorch [Software]. Retrieved from https://github.com/jacobgil/pytorch-grad-camuk_UA
dc.relation.references52. Creating perfect ergonomic workspace: Ultimate guide [Website]. Retrieved from https://ergonomictrends.com/creating-perfect-ergonomic-workspace-ultimate-guide/uk_UA
dc.contributor.affiliationТернопільський національний технічний університет імені Івана Пулюя, факультет комп’ютерно-інформаційних систем і програмної інженерії, кафедра комп’ютерних наук, м. Тернопіль, Українаuk_UA
dc.coverage.countryUAuk_UA
Enthalten in den Sammlungen:122 — комп’ютерні науки

Dateien zu dieser Ressource:
Datei Beschreibung GrößeFormat 
Mag_2024_SNm_61_Rohan_Yaroslav.pdfДипломна робота2,01 MBAdobe PDFÖffnen/Anzeigen
Zur Kurzanzeige


Alle Ressourcen in diesem Repository sind urheberrechtlich geschützt, soweit nicht anderweitig angezeigt.

Administrationswerkzeuge