Red lights in lines

由穆罕默德·艾哈迈德进展研讨会工作,从超声图像讨论深度学习的癌症识别

8 2019可以

穆罕默德开始了他的讨论,我们3RD 可开始通过“从超声图像向深度学习的癌症识别”介绍他的项目。在序言中,他解释了什么是癌症定义,展示,同时还表明通过百分比的全球影响癌细胞及其类型的例子。下面所示的例子中,穆罕默德中继先验信息与诊断患有乳腺癌在全球每年的妇女55000统计信息。

Mohammed then uses medical imaging systems to detect the types of cancers he is researching on. Using a process involving ultrasound images > image processing > feature extraction and then classification on regions of interest. For machine learning, a similar process is involved, by using supervised learning a repeated process using input image > pre-processing stage > segmentation stage > feature extraction followed by extraction to determine the class of the selected area.

他接着解释深度学习,它在机器学习和影响卷积神经网络(CNN)角色的价值。通过使用CNN和监督学习,以确定通过特征提取输入的图像的分类,这将创建的结果有效的支持。这有助于机器学习和了解其与类似的感兴趣的区域的超声图像数据的目的。

解释这个过程之后,他开始展现自己的CNN架构,其中包括分类精度,数据集规格型号使用的癌症最近发表的文章测试的例子。他计划实施,他们已经使用到自己的网络部分。

Mohammad understands that after he gains an improved understanding of CNN, there will be challenges such as lack of CNN-interpretability, model overfitting and Datasets (volume & quality), some that he currently faces.

我们正在进行的工作的扬声器,穆罕默德·艾哈迈德,让我们更好地了解他的研究和进展对理解和创造癌症的认识超声图像的深度学习过程。本次研讨会也给学生和员工有机会从“的讨论中受益向 深度学习从超声图像识别癌症, 可能纳入新知识纳入自己的研究。对于谁可能会考虑在计算或为那些谁可能有兴趣一般一个疗程的个体,这些讨论提供了一个深入了解当前学生的研究,并在那里将带领他们。

了解更多关于我们 在计算课程.