Algorithmus für künstliche neuronale Netze zur Diagnose von Haarausfall beim Menschen
Versandkostenfrei!
Versandfertig in 6-10 Tagen
79,90 €
inkl. MwSt.
PAYBACK Punkte
0 °P sammeln!
In diesem Buch werden künstliche neuronale Netze (ANNs) zur Diagnose von Haarausfall bei Patienten eingesetzt. Eine Autoimmunerkrankung, die als Alopecia Areata (AA) bekannt ist, führt zu Haarausfall in den betroffenen Bereichen. Die neuesten Zahlen aus der ganzen Welt zeigen, dass AA bei 1 von 1000 Personen auftritt und eine Inzidenzrate von 2 % hat. Die Klassifizierung ist zum Beispiel in der Medizin wichtig, da eines der Hauptziele des Arztes darin besteht, festzustellen, ob ein Patient an einer Krankheit leidet oder nicht. Ziel dieser Studie ist es, die Genauigkeit neuronaler Netze bei d...
In diesem Buch werden künstliche neuronale Netze (ANNs) zur Diagnose von Haarausfall bei Patienten eingesetzt. Eine Autoimmunerkrankung, die als Alopecia Areata (AA) bekannt ist, führt zu Haarausfall in den betroffenen Bereichen. Die neuesten Zahlen aus der ganzen Welt zeigen, dass AA bei 1 von 1000 Personen auftritt und eine Inzidenzrate von 2 % hat. Die Klassifizierung ist zum Beispiel in der Medizin wichtig, da eines der Hauptziele des Arztes darin besteht, festzustellen, ob ein Patient an einer Krankheit leidet oder nicht. Ziel dieser Studie ist es, die Genauigkeit neuronaler Netze bei der Erkennung von Alopezie bei menschlichen Probanden zu bewerten. Gesunde Haare (HHs) und Alopecia Areata (AA) haben einen IA-Klassifizierungsrahmen, der einer IP unterzogen wird, einschließlich CLAHE-Erweiterung und Segmentierung. Um die Präzision des vorgeschlagenen Rahmens zu erhöhen, wurde eine Datenerweiterung (DA) eingesetzt, um weitere Daten zu generieren. Das vortrainierte VGG-19-CNN-Modell wurde dann zur Extraktion von Merkmalen verwendet. Um ein maschinelles Lernmodell zu erstellen, wurde der Klassifizierungsansatz der Support Vector Machine (SVM) verwendet. Die restlichen Bilder der Serie wurden zum Testen verwendet. Die vorgeschlagene VGG-SVM erwies sich in der Simulation als 98,31 % genau.
Andere Kunden interessierten sich für
