Algoritmo de redes neuronales artificiales para el diagnóstico de la caída del cabello humano - Sayyad, Shabnam
53,99 €
inkl. MwSt.
Versandkostenfrei*
Versandfertig in über 4 Wochen
  • Broschiertes Buch

En este libro se utilizan redes neuronales artificiales (RNA) para diagnosticar la caída del cabello en pacientes. Una enfermedad autoinmune conocida como Alopecia Areata (AA) provoca la caída del cabello en la zona afectada. Las cifras más recientes de todo el mundo muestran que la AA afecta a 1 de cada 1000 personas y tiene una tasa de incidencia del 2%. Por ejemplo, la clasificación es importante en el campo de la medicina porque uno de los principales objetivos del médico es establecer si un paciente padece o no una enfermedad. El objetivo de este estudio es evaluar la precisión de las…mehr

Andere Kunden interessierten sich auch für
Produktbeschreibung
En este libro se utilizan redes neuronales artificiales (RNA) para diagnosticar la caída del cabello en pacientes. Una enfermedad autoinmune conocida como Alopecia Areata (AA) provoca la caída del cabello en la zona afectada. Las cifras más recientes de todo el mundo muestran que la AA afecta a 1 de cada 1000 personas y tiene una tasa de incidencia del 2%. Por ejemplo, la clasificación es importante en el campo de la medicina porque uno de los principales objetivos del médico es establecer si un paciente padece o no una enfermedad. El objetivo de este estudio es evaluar la precisión de las redes neuronales para la detección de alopecia en sujetos humanos. Los pelos sanos (HH) y la alopecia areata (AA) tienen un marco de clasificación IA que se someterá a PI, incluyendo la mejora y segmentación CLAHE. A continuación, para aumentar la precisión del marco propuesto, se empleó el aumento de datos (DA) para generar más datos. A continuación, se utilizó el modelo CNN preentrenado VGG- 19 para extraer características. Para crear un modelo de aprendizaje automático, se utilizó el método de clasificación Support Vector Machine (SVM). Las imágenes restantes de la serie se utilizaron para las pruebas. El VGG-SVM propuesto demostró una precisión del 98,31% en la simulación.
Autorenporträt
La Dra. Shabnam Sayyad trabaja actualmente como profesora asociada en el Departamento de Ingeniería Informática de la Escuela Superior de Ingeniería AISSMS de Pune, con casi dos décadas de experiencia docente. Es postdoctorada de Malasia y guía de investigación de doctorado de la Universidad Savitribai Phule Pune.