Professional Documents
Culture Documents
Tirgum
Tirgum
Tirgum
የጤናው ሴክተር ዋና ግብ ከፍተኛው ትክክለኛ ደረጃ ላይ እስኪደርስ ድረስ የበሽታ ምርመራ አፈፃፀሙን በተከታታይ
ማሻሻል፣ እንዲሁም ለታካሚዎች ወቅታዊ ወይም ውጤታማ ህክምና እና የተደራጀ የምክር አገልግሎት መስጠት ነው።
የዚህ ጥናት ሞዴል በደም ሴል ምስሎች ውስጥ የወባ ተውሳኮችን ቀላል እና ፈጣን መለየት ለማመቻቸት ለሞባይል
መተግበሪያ ተስማሚ ነው. የታቀደው መድረክ፣ አራቱን አስቀድሞ የሰለጠኑትን የሲኤንኤን ሞዴሎች የወባ ትንበያን
ያካተተ እና በዚህ መስክ ውስጥ በርካታ ጠቃሚ እና አስደናቂ አቅጣጫዎችን ይሰጣል። ይህንን ጥናት በተግባር ላይ
በማዋል ለወደፊት ስራ አንዳንድ ምክሮች ለተሻሻለ አፈፃፀም ተጨማሪ ጥናት የሚያስፈልጋቸው ምክሮች ተገኝተዋል።
የሞዴል ማሻሻያ፡- የአሁን ሞዴሎችን ለማሻሻል እና ወደ ፍፁምነት የሚሄዱበትን የተለያዩ ዘዴዎችን ይመርምሩ እንደ
ሃይፐር ፓራሜትር ማስተካከያ፣ ወይም በተለይ የህክምና ምስል ማቀነባበሪያን ለሚያካትቱ ስራዎች የተፈጠሩ የላቀ
አርክቴክቸር አጠቃቀም። የሞዴሎቹ ትክክለኛነት በዚህ የማመቻቸት አካሄድ የበለጠ ሊሻሻል ይችላል።
የባህሪ ምህንድስና፡- የታካሚ የስነ-ሕዝብ መረጃን፣ ክሊኒካዊ ታሪክን፣ ወይም ተጨማሪ የላብራቶሪ ምርመራዎች
ግኝቶችን ከወባ ምርመራ ጋር ማካተት ያስቡበት። የተደበቁ ንድፎችን ለመያዝ በሚረዳው በባህሪ ምህንድስና እርዳታ
የተሻሉ ትንበያዎችን ማድረግ ይቻላል.
የመሰብሰቢያ ዘዴዎች፡- ከተለያዩ ሞዴሎች የተገመቱትን ትንበያዎች ለማጠቃለል እንደ ሞዴል አማካኝ ወይም
መደራረብ ያሉ የስብስብ አቀራረቦችን አጠቃቀም ይመርምሩ። የተለያዩ ሞዴሎችን ጥቅሞች በማጣመር እና
የእያንዳንዱን ሞዴል አድልዎ ወይም ጉድለቶችን በመቀነስ ፣የስብስብ አቀራረቦች ትክክለኛነትን የበለጠ የመጨመር
አቅም አላቸው።
የትርጓሜ ቴክኒኮች፡- በህክምና አተገባበር ውስጥ ካለው የትርጓሜ ጠቀሜታ አንፃር ከኖራ ማብራሪያ ባለፈ ተጨማሪ
የትርጓሜ ቴክኒኮችን ለመመልከት ያስቡበት። እንደ ቀስ በቀስ ላይ የተመሰረተ ምስላዊ ወይም የትኩረት ዘዴዎች ያሉ
ስለ ሞዴሎች ውሳኔ አሰጣጥ ሂደቶች ጥልቅ ግንዛቤ ለማግኘት አማራጭ አቀራረቦችን ይመርምሩ።
5. ማጠቃለያ እና ምክር
ይህ ጥናት ብጁ Convolutional Neural Network ስልተ-ቀመር ላይ የተመሰረተ መጨረሻ ገምግሟል
በቀጭን ደም ስሚር ላይ የተመሰረተ የወባ በሽታን ለይቶ ለማወቅ የሚያስችል የጥልቅ ትምህርት ሞዴል እስከ
መጨረሻ
ምስሎች. ይህ የወባ በሽታን የመለየት ዘዴ በጣም ውጤታማ ሊሆን ይችላል
በሽታው በትንሽ ጊዜ እና ከፍተኛ ትክክለኛነት. አውቶማቲክ ስርዓቱ የት ውስጥ ጠቃሚ ነው
ጥቂት ባለሙያዎች እና የግብዓት እጥረት አለ. ከዚያም ይህ ጥናት ጥቅም ላይ ውሏል
የ ResNet50፣ VGG19 እና Inception V3 ጋር Convolutional Neural Network ስልተ ቀመር
የደረቁ ጥገኛ ተውሳኮችን ወይም ያልተበከሉ የወባ የደም ናሙናዎችን ለመለየት የመማሪያ ዘዴን ማስተላለፍ
Anaconda IDE ን በመጠቀም የሰዎች የምስል ውሂብ ስብስብ።
የምስሉ መረጃ በሁለት ቡድን ተከፍሏል; እንደ ቅድመ-ሂደት ውሂብ እና የማረጋገጫ ውሂብ. ውስጥ
በዚህ ሂደት, ተመራማሪው 80% ለስልጠና, 10% ለማረጋገጫ ሲጠቀሙበት
ቀሪዎቹ 10% ለሙከራዎች ጥቅም ላይ ውለዋል. ስለዚህ, በዚህ መቧደን ላይ የተመሰረተ ትክክለኛነት
የ ResNet50፣ EfficientNetB4፣ InceptionV3 እና Vgg19 ዋጋ 94.37%፣ 93.9%፣ 91%፣
እና 88% በከፍተኛ ደረጃ ትክክለኛነት እንደ ጥገኛ እና ያልተበከሉ የሕዋስ ምስሎች ተመድበዋል
የ 93% ፣ 91.8% ፣ 91% እና 85.87% በቅደም ተከተል። የ ResNet50 ሞዴል ተስማሚ ነበር
ከ EfficientNetB4 ጋር ሲነፃፀር የወባ በሽታን ለመለየት እና ለመመደብ ሞዴል ፣
InceptionV3፣ እና Vgg19 ሞዴል። ስለሆነም ተመራማሪው የተገኘው ውጤት እንደተገኘ ያምናል
ከዚህ ሥራ አዲስ ሞዴል ለማዘጋጀት ይጠቅማል.