Exploring the Role of Low-Level Visual Features in Deep Learning for Medical Image Segmentation
Luận văn · Thạc sĩ · năm 2025 · đề tài tham khảo
| Loại tài liệu | Luận văn |
|---|---|
| Bậc học | Thạc sĩ |
| Ngành | Công nghệ thông tin |
| Tác giả | Hoàng Đình Hiếu |
| Người hướng dẫn | Lê Thị Hoàng Ngân; Trần Minh Triết |
| Cơ sở đào tạo | Đại học Quốc gia TP. Hồ Chí Minh |
| Năm | 2025 |
| Nguồn | Thư viện số Đại học Quốc gia TP. Hồ Chí Minh · trang gốc |
Tóm tắt
Medical imaging, such as MRI and CT, plays a crucial role in modern healthcare as it provides non-invasive "windows" into the human body. They help identify and characterize diseases, injuries, and abnormalities that aren’t visible externally. This can range from detecting broken bones with X-rays to identifying tumors with MRI or CT scans. However, in addition to great effectiveness and benefit for patients, enormously demanding and complex pro cesses are required to train radiologists. Furthermore, the evaluations of different radiologists maybe inconsistent due to the inherent bias among these experts. Inspired by breakthroughs of deep learning in natural images, many deep neural networks have been proposed to deal with medical images. However, being treated as black box methods with too many heuristics and assumptions, these models still cannot gain credibility so that they would be widely applied in real life. In this thesis, we partly solve this problem by exploring how low-level features contribute to the predictions of deep neural networks, as well as proposing some novel ways to improve their performance via enhancing the quality of low-level features, especially in medical image segmentation.
Bản toàn văn lưu tại thư viện Đại học Quốc gia TP. Hồ Chí Minh
Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.
Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
- Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
- Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
- Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.
Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn công nghệ thông tin · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.
Đề tài cùng ngành
- Xây dựng ứng dụng tra từ điển bằng camera trên điện thoại di động
- Ứng dụng hỗ trợ theo dõi và cảnh báo sức khỏe
- Thiết kế phương pháp Metaheuristic cho bài toán người bán hàng với ràng buộc sức chứa
- Nghiên cứu phương pháp phát sinh mẫu mã độc đối kháng chống lại trình phát hiện mã độc tổng hợp
- Học tương phản cho tìm kiếm kiến trúc mạng nơ-ron với các chỉ số không huấn luyện
- Khai phá mẫu tuần tự với nhiều ngưỡng hỗ trợ
- Cải tiến độ chính xác phân lớp ảnh đối nghịch bằng phương pháp tăng cường dữ liệu huấn luyện
- Khai thác các kỹ thuật khai phá mẫu hiệu quả cho bài toán tái định danh người không giám sát
Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.