<?xml version="1.0" encoding="utf-8"?>
<export-example>
  <doc>
    <id>5630</id>
    <completedYear>2021</completedYear>
    <publishedYear/>
    <thesisYearAccepted/>
    <language>deu</language>
    <pageFirst/>
    <pageLast/>
    <pageNumber/>
    <edition/>
    <issue/>
    <volume/>
    <type>bachelorthesis</type>
    <publisherName/>
    <publisherPlace/>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>0</belongsToBibliography>
    <completedDate>2021-09-23</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>2021-08-17</thesisDateAccepted>
    <title language="deu">Künstliche neuronale Netze in biomedizinischen Anwendungen</title>
    <title language="eng">Artificial neuronal networks in biomedical applications</title>
    <abstract language="deu">Die Bachelorarbeit beschäftigt sich mit der Entwicklung effizienter Methoden für die Klassifizierung der Stadien von Zellen. Hierbei liegt der Fokus auf sogenannten Deep-Learning-Algorithmen. Diese haben sich unter anderem in der Bilderkennung als sehr leistungsfähig erwiesen und können genutzt werden, um große Mengen von mikroskopischen Zellbildern in kurzer Zeit zu klassifizieren. Aufgezeigt werden Möglichkeiten zur Optimierung solcher Algorithmen mit dem Ziel, Genauigkeit und Speichergröße zu verbessern. Es wurden hierbei der Einfluss von verschiedenen Parametern auf die Performance eines Algorithmus untersucht und gegenübergestellt, verschiedene etablierte Modelle miteinander verglichen und eine Auswahl gängiger Methoden zur Modell-Optimierung getestet. Genutzt wurde die Software-Bibliothek TensorFlow, welche über die Programmiersprache Python angesprochen wird. Reale Anwendungsdaten wurden von der Firma Medipan zur Verfügung gestellt.</abstract>
    <abstract language="eng">The bachelor thesis deals with the development of efficient methods for the classification of cell stages. The focus here is on so-called deep learning algorithms. Among other things, these have proven to be very powerful in image recognition and can be used to classify large quantities of microscopic cell images in a short time. Possibilities for optimizing such algorithms with the aim of improving accuracy and memory size are shown. The influence of various parameters on the performance of an algorithm was examined and compared, various established models were compared with one another and a selection of common methods for model optimization were tested. The TensorFlow software library was used, which is addressed via the Python programming language. Real application data were provided by Medipan.</abstract>
    <identifier type="doi">10.26127/BTUOpen-5630</identifier>
    <identifier type="urn">urn:nbn:de:kobv:co1-opus4-56309</identifier>
    <enrichment key="opus.source">publish</enrichment>
    <licence>Creative Commons - CC BY-NC-ND - Namensnennung - Nicht kommerziell - Keine Bearbeitungen 4.0 International</licence>
    <author>Anschel Julio Roman</author>
    <series>
      <title>Cottbus Mathematical Preprints</title>
      <number>20, 2021</number>
    </series>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Künstliche neuronale Netze</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Tiefes Lernen</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Nichtlineare Optimierung</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Bilderkennung</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Bildklassifizierung</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Artificial neuronal networks</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Deep learning</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Nonlinear optimization</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Image recognition</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Image classification</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Neuronales Netz</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Mustererkennung</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Deep learning</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Nichtlineare Optimierung</value>
    </subject>
    <collection role="ddc" number="510">Mathematik</collection>
    <collection role="collections" number="">Wiss. Publikationen</collection>
    <collection role="institutes" number="1307">FG Ingenieurmathematik und Numerik der Optimierung</collection>
    <thesisPublisher>BTU  Cottbus - Senftenberg</thesisPublisher>
    <thesisGrantor>BTU Cottbus - Senftenberg</thesisGrantor>
    <file>https://opus4.kobv.de/opus4-btu/files/5630/COMP-20-2021.pdf</file>
  </doc>
</export-example>
