Applications of deep learning in radiomics and survival prediction
Visualitza/Obre
TFG.pdf (1,046Mb) (Accés restringit)
Sol·licita una còpia a l'autor
Què és aquest botó?
Aquest botó permet demanar una còpia d'un document restringit a l'autor. Es mostra quan:
- Disposem del correu electrònic de l'autor
- El document té una mida inferior a 20 Mb
- Es tracta d'un document d'accés restringit per decisió de l'autor o d'un document d'accés restringit per política de l'editorial
Estadístiques de LA Referencia / Recolecta
Inclou dades d'ús des de 2022
Cita com:
hdl:2117/332141
Correu electrònic de l'autordeanzhu1gmail.com
Realitzat a/ambUniversity of Toronto
Tipus de documentTreball Final de Grau
Data2020-05-27
Condicions d'accésAccés restringit per decisió de l'autor
Tots els drets reservats. Aquesta obra està protegida pels drets de propietat intel·lectual i
industrial corresponents. Sense perjudici de les exempcions legals existents, queda prohibida la seva
reproducció, distribució, comunicació pública o transformació sense l'autorització del titular dels drets
Abstract
En aquest treball investiguem el potencial de la radiómica com a eina per la predicció de superviv\`encia. Donat les limitacions dels models actuals apliquem xarxes neuronals profundes per millora els resultats comparats amb els models tradicionals, i innovem un m\`etode per accelar\`a l'entrenament per un ordre de O(n), on n es el nombre de mostres En este trabajo investigaremos el potencial de la radiómica como herramienta para la predicción de supervivencia. Dadas las limitaciones de los modelos radiómicos actuales, aplicamos redes neuronales profundas para obtener resultados mejores que los modelos tradicionales. Además creamos un método de entrenamiento qu reduce la complejidad temporal por un orden de O(n) donde n es el número de muestras In this work we will investigate the potential of radiomics as a tool for survival prediction. given the shortcomings of current radiomic models we devise a ehotd to apply deep learning and obtain a results better than traditional statistical methods. We also create a training regime which slashes training time by an order of O(n) where n is the number of samples
TitulacióGRAU EN ENGINYERIA INFORMÀTICA/GRAU EN MATEMÀTIQUES
Fitxers | Descripció | Mida | Format | Visualitza |
---|---|---|---|---|
TFG.pdf | 1,046Mb | Accés restringit |