Theses metadata

“Data exchange” service offers individual users metadata transfer in several different formats. Citation formats are offered for transfers in texts as for the transfer into internet pages. Citation formats include permanent links that guarantee access to cited sources. For use are commonly structured metadata schemes : Dublin Core xml and ETUB-MS xml, local adaptation of international ETD-MS scheme intended for use in academic documents.

Export

Creator:	Martinović, Ivan
Title:	Primjena vještačke inteligencije za automatsku analizu fluoroskopskih rendgenskih snimaka
Copyright date:	2025
Trajni link:	https://phaidra.ucg.ac.me/detail_object/o:1995?tab=0#mda
Pregled teze:
Download link:
Select license:	Autorstvo-Nekomercijalno-Bez prerade 3.0 Srbija (CC BY-NC-ND 3.0)

Academic metadata

Theses Type:	Phd. theses
Academic Expertise :	Tehnicko-tehnološke nauke
Academic Title:	doktor nauka - elektrotehnika i računarstvo
University:	Univerzitet Crne Gore
Faculty:	Elektrotehnički fakultet
Group:	Studijski program Elektronika

Other Theses Metadata

Title translated:	Application of artificial intelligence for automatic analysis of fluoroscopic x-ray images
Format:	PDF/A (pages)
Abstract:	U ovom doktorskom radu prikazana je primjena mašinskog učenja u automatskoj analizi fluoroskopskih rendgenskih snimaka. Fokus je stavljen na analizu fluoroskopskih rendgenskih snimaka nastalih tokom videofluoroskopske studije gutanja, dijagnostičke metode koja se najčešće primjenjuje u procjeni poremećaja gutanja. Poremećaj gutanja, tj. disfagija, manifestuje se kroz uticaj na dva ključna funkcionalna aspekta gutanja, na sigurnost i efikasnost. Automatska analiza sigurnosti gutanja privlači više pažnje istraživača širom svijeta, dok oblast automatske analize efikasnosti gutanja ostaje nedovoljno istražena. U ovom doktorskom radu fokus je stavljen na oba funkcionalna aspekta. Prvo je razvijena superiorna metoda, koja se temelji na selfsupervised learning pristupu, za automatsku analizu sigurnosti gutanja. Nakon toga kombinovanjem postojećih metoda baziranih na mašinskom učenju omogućena je automatska analiza efikasnosti gutanja. Razvojem automatske metode analize efikasnosti gutanja, uspostavlja se nova istraživačka oblast. Dobijeni rezultati jasno ukazuju da se mašinsko učenje sa velikom uspješnošću može koristiti za automatsku analizu fluoroskopskih rendgenskih snimaka kreiranih tokom videofluoroskopske studije gutanja.
Abstract:	This PhD research presents the application of machine learning in the automated analysis of fluoroscopic X-ray images. The focus is placed on the analysis of fluoroscopic X-ray images obtained during a videofluoroscopic swallowing study, a diagnostic method most commonly used for the assessment of swallowing disorders. Swallowing disorders, or dysphagia, manifest through impacts on two key functional aspects of swallowing: safety and efficiency. Automated analysis of swallowing safety has attracted significant attention from researchers worldwide, while the area of automated analysis of swallowing efficiency remains underexplored. This PhD thesis addresses both functional aspects. First, a superior method based on a self-supervised learning approach was developed for the automated analysis of swallowing safety. Then, by combining existing machine learning-based methods, an automated analysis of swallowing efficiency was achieved. The development of an automated method for analyzing swallowing efficiency establishes a new research area. The results clearly demonstrate that machine learning can be successfully applied for the automated analysis of fluoroscopic X-ray images created during videofluoroscopic swallowing studies.
Authors Key words:	vještačka inteligencija, fluoroskopski rendgenski snimci, disfagija, sigurnost gutanja, efikasnost gutanja, mašinsko učenje, self-supervised learning, supervised learning, segmentacija, detekcija karakterističnih tačaka
Authors Key words:	artificial intelligence, fluoroscopic X-ray images, dysphagia, swallowing safety, swallowing efficiency, machine learning, self-supervised learning, supervised learning, segmentation, landmark detection task
Language:	Serbian

Abstract:

U ovom doktorskom radu prikazana je primjena mašinskog učenja u automatskoj analizi fluoroskopskih rendgenskih snimaka. Fokus je stavljen na analizu fluoroskopskih rendgenskih snimaka nastalih tokom videofluoroskopske studije gutanja, dijagnostičke metode koja se najčešće primjenjuje u procjeni poremećaja gutanja. Poremećaj gutanja, tj. disfagija, manifestuje se kroz uticaj na dva ključna funkcionalna aspekta gutanja, na sigurnost i efikasnost. Automatska analiza sigurnosti gutanja privlači više pažnje istraživača širom svijeta, dok oblast automatske analize efikasnosti gutanja ostaje nedovoljno istražena. U ovom doktorskom radu fokus je stavljen na oba funkcionalna aspekta. Prvo je razvijena superiorna metoda, koja se temelji na selfsupervised learning pristupu, za automatsku analizu sigurnosti gutanja. Nakon toga kombinovanjem postojećih metoda baziranih na mašinskom učenju omogućena je automatska analiza efikasnosti gutanja. Razvojem automatske metode analize efikasnosti gutanja, uspostavlja se nova istraživačka oblast. Dobijeni rezultati jasno ukazuju da se mašinsko učenje sa velikom uspješnošću može koristiti za automatsku analizu fluoroskopskih rendgenskih snimaka kreiranih tokom videofluoroskopske studije gutanja.