Please use this identifier to cite or link to this item:
https://ptsldigital.ukm.my/jspui/handle/123456789/457817Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.advisor | Wan Mimi Diyana Wan Zaki, Prof. Madya Dr. | |
| dc.contributor.author | Nurul Syahira Mohamad Zamani (P94556) | |
| dc.date.accessioned | 2023-09-12T09:13:51Z | - |
| dc.date.available | 2023-09-12T09:13:51Z | - |
| dc.date.issued | 2020-06-04 | |
| dc.identifier.other | ukmvital:122956 | |
| dc.identifier.uri | https://ptsldigital.ukm.my/jspui/handle/123456789/457817 | - |
| dc.description | Pterigium merupakan penyakit okular tidak berjangkit dengan kewujudan lapisan tisu yang tidak normal pada konjunktiva. Diagnosis klinikal dari pakar mata diperlukan untuk mencegah tisu pterigium menceroboh ke dalam pupil, sehingga menyebabkan penglihatan kabur. Kaedah diagnosis mata semasa sangat bergantung kepada kepakaran manusia dan ia mengambil masa untuk dilaksanakan. Pengesanan automatik yang digunakan secara meluas bersama rangkaian neural dalaman (RND) wujud sebagai pendekatan alternatif untuk mengurangkan masa diagnostik. Perlaksanaan RND memerlukan data berskala besar, oleh itu ia menjadi satu cabaran pada domain tertentu. Sebagai penyelesaian, konsep pembelajaran pindahan (PP) telah diperkenalkan untuk mengatasi kekangan ini. Berdasarkan sorotan kajian yang dijalankan, penyelidikan komprehensif berkaitan pengesanan pterigium menggunakan RND adalah sangat terhad. Oleh itu, pengesanan pterigium menggunakan PP dalam pendekatan RND telah dicadangkan dalam kajian ini. Setelah menilai prestasi enam rangkaian terlatih rangkaian neural pelingkaran (RNP) dalam mengesan pterigium, satu rangkaian terlatih terbaik telah dipilih untuk ditambah baik. Kajian ini dijalankan melalui dua modul iaitu pemerolehan data dan pengelasan RNP dalaman . Sejumlah 386 imej mata terangkum hadapan (IMTH) pterigium dan normal diperolehi dari pangkalan data tempatan dan bukan tempatan. Sebelum modul pengelasan dibangunkan, semua IMTH disaiz semula untuk menyeragamkan saiz imej bersesuaian dengan saiz masukan bagi setiap rangkaian. Kemudian, enam rangkaian terlatih RNP terdahulu iaitu AlexNet, VggNet16, VggNet19, GoogLeNet, ResNet101 dan DenseNet201 dinilai dengan beberapa tetapan hiper-parameter yang menggunakan teknik pengesahsahihan silang (PS) 5- dan 10-lipatan. Keputusan eksperimen dari kerja awal ini menunjukkan rangkaian VggNet16 menghasilkan prestasi terbaik berbanding rangkaian lain. Ianya memberikan kejituan 98.70%, kepekaan 98.42%, kekhususan 98.97% dan luas kawasan di bawah keluk 99.95%. Oleh itu, VggNet16 telah digunakan sebagai sandaran kepada rangkaian cadangan. Rangkaian cadangan ini dikenali sebagai VggNet16-wbn, yang mana tambahan lapisan normalisasi kumpulan telah disepadukan dalam rangkaian yang dibangunkan. Di samping itu, prestasi VggNet16-wbn yang menggunakan pengelas Softmax telah dibandingkan dengan rangkaian VggNet16-wbn yang menggunakan pengelas mesin vektor sokongan (SVM). Prestasi VggNet16-wbn menggunakan pengelas Softmax untuk mengesan pterigium berjaya mengatasi rangkaian perbandingan lain dengan kejituan 99.22%, kepekaan 98.45% dan skor sempurna untuk, kekhususan dan luas kawasan di bawah keluk menggunakan PS 10-lipatan. Prestasi cemerlang ini membuktikan penambahan lapisan normalisasi kumpulan yang disepadukan dengan VggNet16-wbn telah berjaya mengurangkan sensitiviti pada lapisan permulaan dengan menyesuaikan lapisan pengaktifan. Di samping itu, ia menjadikan penyeluruhan rangkaian pada PS 10-lipatan lebih cekap, di samping meminumkan masalah penyuaian berlebihan. Sebagai kesimpulan, pendekatan pengesanan pterigium telah berjaya dibangunkan menggunakan rangkaian terlatih RNP yang diubah suai, VggNet16-wbn. Rangkaian yang dicadangkan ini boleh digunakan sebagai garis dasar bagi pembangunan sistem pengesanan saringan pterigium secara automatik.,Sarjana Sains | |
| dc.language.iso | may | |
| dc.publisher | UKM, Bangi | |
| dc.relation | Faculty of Engineering and Built Environment / Fakulti Kejuruteraan dan Alam Bina | |
| dc.rights | UKM | |
| dc.subject | Universiti Kebangsaan Malaysia -- Dissertations | |
| dc.subject | Dissertations, Academic -- Malaysia | |
| dc.subject | Pterygium -- Diagnosis | |
| dc.subject | Conjunctiva -- Diseases -- Diagnosis | |
| dc.subject | Neural networks (Computer science) | |
| dc.title | Kaedah pengesanan pterigium pada imej mata terangkum hadapan menggunakan rangkaian neural dalaman | |
| dc.type | theses | |
| dc.format.pages | 152 | |
| dc.identifier.callno | RE326.P7N837 2020 3 tesis | |
| dc.identifier.barcode | 005662(2021)(PL2) | |
| Appears in Collections: | Faculty of Engineering and Built Environment / Fakulti Kejuruteraan dan Alam Bina | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| ukmvital_122956+SOURCE1+SOURCE1.0.PDF Restricted Access | 5.83 MB | Adobe PDF |  View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.