| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Datorsistēmas |
| Nosaukums |
Multispektrālo ādas veidojumu attēlu analīze slimību klasifikācijas daudzveidības un precizitātes novērtēšanai |
| Nosaukums angļu valodā |
Analysis of Multispectral Skin Lesion Images for Evaluating the Diversity and Accuracy of Disease Classifications |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Katrīna Šmite |
| Recenzents |
Andrejs Kalniņš |
| Anotācija |
Darbā tiek pētīti multispektrālo ādas veidojumu attēlu klasifikācijas uzdevumi, izmantojot mašīnmācīšanās metodes. Ar mērķi pētīt modeļus ar multispektrālajiem attēliem un salīdzināt mašīnmācīšanās metodes. Multispektrālo attēlu izmantošana ļauj atklāt ādas īpašības, kuras nav redzamas acij. Darba gaitā tika pētīti trīs dažādi modeļi, EfficientNet, Vision Transformer (ViT) un CNN + SVM. Visi modeļi tika testēti uz sešām klasifikācijām, kas ietver trīs binārās un trīs daudzklasifikācijas, kas ļauj novērtēt modeļa noturību pret dažādām klasifikācijas grūtībām.
Veiktais pētījums parādīja vislabāko rezultātu modelī CNN + SVM, kuram vidējā testēšanas precizitāte ir 99.10 %. Otrajā vietā pēc rezultātiem ir EfficientNet, kuram vidējā testēšanas precizitāte ir 97.85 %. Arī Vision Transformer (ViT) parādīja sliktāko rezultātu šajā pētījumā, kuram vidējā testēšanas precizitāte ir 85.19 %. |
| Atslēgas vārdi |
Multispektrālā attēlveidošana, ādas slimību klasifikācija, EfficientNet, Vision Transformer, CNN + SVM |
| Atslēgas vārdi angļu valodā |
Multispectral imaging, skin disease classification, EfficientNet, Vision Transformer, CNN + SVM |
| Valoda |
lv |
| Gads |
2025 |
| Darba augšupielādes datums un laiks |
27.05.2025 08:09:35 |
