20.500.12556/ReVIS-11273 Hyperbolic metric learning in machine learning algorithms for application in oncology doctoral dissertation Metrično učenje s hiperbolično metriko v algoritmih strojnega učenja za aplikacijo v onkologiji Machine learning (ML), a subset of artificial intelligence (AI), enables systems to autonomously learn and adapt without continuous human supervision, leveraging algorithms to process data, identify patterns, and refine performance through experience. This adaptive, selfteaching capability allows ML models to enhance their predictive accuracy and efficiency, making them suitable for dynamic and complex tasks. This dissertation introduces a novel approach to independent and efficient image classification, combining elements from convolutional neural networks (CNNs), hyperbolic geometry, and feature extraction. Unlike existing methods that typically rely on one of these techniques, our integrated approach merges their strengths to achieve superior performance. Additionally, we developed derivative methods based on the original approach, which enhanced capabilities in embedding data in space. All proposed techniques were empirically evaluated on both image and numerical datasets, consistently demonstrating superior performance when compared to baseline methods. Comparative analysis confirmed that our approach achieves higher classification accuracy than traditional techniques. Given the critical role of accurate and efficient diagnostic tools in oncology, where vast amounts of data from various patient examinations need to be processed, the development of robust algorithms is essential for effective cancer diagnosis and treatment. This dissertation specifically addresses cancer image classification, focusing on the differentiation between benign and malignant lesions – an essential task for early cancer detection and treatment. Empirical results showed that embedding the data in a hyperbolic space, combined with the method for metric learning Large Margin Nearest Neighbours (LMNN) method and the use of Poincaré distance in the k-Nearest Neighbours (kNN) algorithm, yielded comparable or superior results compared to traditional classification techniques. Our findings highlight the potential of hyperbolic embeddings and metric learning approaches to advance image classification in oncology, offering a promising direction for further research and clinical applications. Strojno učenje, podmnožica umetne inteligence, omogoča sistemom, da se samostojno učijo in prilagajajo brez stalnega človeškega nadzora, pri čemer uporabljajo algoritme za obdelavo podatkov, prepoznavanje vzorcev in izboljševanje delovanja na podlagi izkušenj. To omogoča modelom, da izboljšajo svojo natančnost in učinkovitost napovedovanja, zaradi česar so primerni za dinamične in zapletene naloge. V tej disertaciji je predstavljen nov pristop k neodvisni in učinkoviti klasifikaciji slik, ki združuje elemente konvolucijskih nevronskih mrež (CNN), hiperbolične geometrije in ekstrakcije atributov. V nasprotju z obstoječimi metodami, ki običajno temeljijo na eni od teh tehnik, naš integrirani pristop združuje njihove prednosti, da bi dosegel vrhunsko učinkovitost. Poleg tega smo na podlagi prvotnega pristopa razvili izpeljane metode, ki so izboljšale vložitev podatkov v prostor. Vse predlagane tehnike so bile empirično ovrednotene na podatkovni množici slik in številčnih podatkih ter so v primerjavi z osnovnimi metodami pokazale boljšo učinkovitost. Primerjalna analiza je potrdila, da naš pristop dosega večjo klasifikacijsko natančnost kot tradicionalne tehnike. Zaradi ključne vloge natančnih in učinkovitih diagnostičnih orodij v onkologiji, kjer je treba obdelati velike količine podatkov iz različnih preiskav bolnikov, je razvoj zanesljivih algoritmov bistvenega pomena za učinkovito diagnosticiranje in zdravljenje raka. Ta doktorska disertacija se posebej ukvarja s klasifikacijo slik raka in se osredotoča na razlikovanje med benignimi in malignimi spremembami, kar je bistvena naloga za zgodnje odkrivanje in zdravljenje raka. Empirični rezultati so pokazali, da je vložitev podatkov v hiperbolični prostor v kombinaciji z metodo za učenje razdalje LMNN (Large Margin Nearest Neighbours) in uporabo Poincaréjeve razdalje v algoritmu k-najbližjih sosedov (kNN) dala primerljive ali boljše rezultate v primerjavi s tradicionalnimi tehnikami klasifikacije. Naše ugotovitve kažejo, da imata vložitev v hiperbolični prostor in metrično učenje potencial za izboljšanje klasifikacije slik v onkologiji ter ponujata obetavno smer za nadaljnje raziskave in razvoj aplikacij v zdravstvu. cancer images convolutional neural network embedding data hyperbolic geometry image classification k-nearest neighbours method slike različnih tipov raka konvolucijska nevronska mreža vložitev podatkov hiperbolična geometrija klasifikacija slik metoda k-najbližjih sosedov true true false A. Trpin Angleški jezik Slovenski jezik Doktorsko delo/naloga 2025-01-08 14:04:28 2025-01-08 14:04:29 2025-02-07 03:18:13 0000-00-00 00:00:00 2024 0 Novo mesto 2024 Novo mesto Na ov.: Doctoral dissertation; XXIII, 157 str. 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 004.93:616-006(043.2) 221306115 DR_2024_Alenka_Trpin.pdf DR_2024_Alenka_Trpin.pdf 1 F2A67E89C7F7995C8D9D4E2A71CF360B 161e479bc91c1b5600738b095898bb94354dc9d061d5108b5e6f7dcabdd5e509 044aeaf0-cdc2-11ef-ba3f-001a4af901a5 https://revis.openscience.si/Dokument.php?lang=slv&id=12889 Fakulteta za informacijske študije v Novem mestu 0 0 0