|
|
Potential of neural networks using capsules for medical image processing
Šipula, Samuel ; Vičar, Tomáš (oponent) ; Chmelík, Jiří (vedoucí práce)
The following master thesis introduces the reader to a relatively new deep learning approach, the capsule neural network. The thesis describes the working principle of capsule networks and compares them with established convolutional networks. Further, the reader is introduced to the use of this technique in medical image processing. The practical part of the paper describes the procedure of learning a capsule network and a reference convolutional network on two datasets. The aim of the thesis is to compare the effect of dataset size on the resulting efficiency of the two types of networks.
|
|
|
Metody inicializace vah neuronových sítí a jejich vliv na učení sítí
Prukner, Jakub ; Nemčeková, Petra (oponent) ; Chmelík, Jiří (vedoucí práce)
Práce se zabývá použitím různých metod inicializace vah umělých neuronových sítí a sledováním jejich vlivu na učení sítě. Jako úloha pro síť je zvolena klasifikace obrázků ze dvou databází MNIST a CIFAR-10. Teoretická část popisuje oblast umělých neuronových sítí a také různé metody nicializace vah. Praktická část obsahuje popis a implementaci experimentů, popis architektur a jejich hyperparametrů. Jednotlivé experimenty sledují vliv vybraných metod a jejich případných konfigurací na učení různých architektur umělých neuronových sítí. Výsledky jsou pro jednotlivé databáze a typy architektur porovnány a jsou vybrány metody, se kterými síť dosáhla nejlepšího naučení. Dále jsou vybrány metody, se kterými bylo dosaženo optimálního naučení sítě nejrychleji. Dosažené výsledky jsou diskutovány.
|
|
|
Možnosti neuronových sítí využívajících transformery pro zpracování medicínských obrazů
Valík, Tomáš ; Nohel, Michal (oponent) ; Chmelík, Jiří (vedoucí práce)
Tato diplomová práce se zabývá možnostmi využití neuronových sítí založených na architektuře transformerů pro zpracování medicínských obrazů. Hlavním cílem bylo porovnat výkonnost modelů ResNet18 a Vision Transformer (ViT-B-16) na dvou odlišných datasetech, konkrétně Intel Image Classification a ChestXray. Modely byly optimalizovány pomocí frameworku Optuna a nakonec byl každý z nich trénován desetkrát pro zajištění robustnosti výsledků. ty ukazují, že modely využívající Vision Transformery dosahují vyšších hodnot váženého F1 skóre ve srovnání s modely ResNet18. Konkrétně dosáhl model ViT-B-16 nejvyššího F1 skóre 0,939 na datasetu Intel Image a 0,907 na datasetu ChestXray, zatímco ResNet18 dosáhl hodnot 0,883, respektivě 0,885. Statistické analýzy pomocí Wilcoxonova testu potvrdily, že rozdíly ve výkonnosti mezi modely jsou statisticky signifikantní, což naznačuje výhodu použití Vision Transformerů pro tyto úlohy. Uveden je také rozbor výpočetní náročnosti, která je pro ViT mnohem vyšší.
|
|
|
Implementace algoritmu pro detekci trombů v multifázických CT datech
Rudol, Filip ; Chmelík, Jiří (oponent) ; Jakubíček, Roman (vedoucí práce)
Klíčovým faktorem pro úspěšnou léčbu ischemické mozkové příhody je včasná diagnostika. Software pro automatickou detekci trombů může být pomocným nástrojem pro radiology. Bakalářská práce se zabývá detekcí trombů v multifázických CT datech. Hlavním cílem práce bylo detekovat tromby a vytvořit prototyp detekčního softwaru. Algoritmus umožňuje tromby také segmentovat. Navržený přístup je plně automatický. Úspěšnost algoritmu bylo možné objektivně ohodnotit pomocí dostupných manuálních anotací. Praktická část byla realizována v programovacím prostředí MATLAB R2023b. V teoretické části byla vypracována rešerše na danou problematiku.
|
|
| |
|
|
Lokalizace intrakraniálních hemoragií v axiálních řezech CT snímků hlavy.
Kopečný, Kryštof ; Chmelík, Jiří (oponent) ; Nemček, Jakub (vedoucí práce)
Tématem této práce je lokalizace intrakraniálních krvácení na snímcích počítačové tomografie pomocí jednofázového a dvoufázového detektoru založených na konvolučních neuronových sítích. Práce mimo základní poznatky z umělé inteligence klíčové pro pochopení procesu detekce objektů podává medicínské informace o patologii a zobrazování krvácení. Znalosti ze zmíněných okruhů se využijí pro vlastní návrh algoritmu pracujícím s veřejně dostupnými databázemi CT snímků hlavy a jejich anotací CQ500 a BHX. Součástí práce je vyhodnocení výsledků a jejich diskuse.
|
|
|
Detekce cizích objektů v rentgenových snímcích hrudníku s využitím metod strojového učení
Matoušková, Barbora ; Kolář, Radim (oponent) ; Chmelík, Jiří (vedoucí práce)
Cizí objekty v RTG snímcích hrudníku způsobují komplikace během automatického zpracování snímku. Abychom zabránily chybám, které vznikají právě kvůli těmto cizím objektům, je třeba je nejprve automaticky vyhledat a z následné analýzy je vynechat. Jedná se především o knoflíky, šperky, implantáty, dráty či trubičky. Zároveň nalezení pacemakerů a jiných voperovaných zařízení může pomoct při automatickém zpracování. Cílem této práce bylo navrhnout metodu pro detekci cizích objektů v RTG snímcích hrudníku. Pro tento úkol byla zvolena metoda Faster R-CNN s předtrénovanou sítí ResNet50 pro extrakci příznaků, která byla natrénována na 4 000 snímcích a následně otestována na 1 000 snímcích z veřejně dostupné databáze. Po nalezení optimálních učících parametrů se podařilo natrénovat síť, která dosahuje 75% přesnosti, 77% senzitivity a 76% F1 skóre. Určitá část chyby je ovšem tvořena nejednotnými anotacemi objektů v datech, kdy ne všechny anotované cizí objekty se nachází v oblasti plic, jak je udáno v popisu.
|
|
|
Identifikace typu obratlů z CT dat s využitím metod strojového učení
Matoušková, Barbora ; Kolář, Radim (oponent) ; Chmelík, Jiří (vedoucí práce)
Identifikace typu obratlů pomocí strojového učení je důležitý úkol pro usnadnění práce lékařů. Tento úkol je znesnadněn mnoha faktory. Za prvé se CT snímky páteře obvykle provádí u pacientů s patologiemi jako jsou léze, nádory, kyfóza, lordóza, skolióza či u pacientů s různými implantáty, které způsobují ve snímcích artefakty. Dále jsou si sousední obratle velmi podobné, což také tento úkol komplikuje. Tato práce se zabývá klasifikací již vysegmentovaných obratlů do skupin krční, hrudní a bederní. Pro klasifikaci je využita metoda podpůrných vektorů (SVM) a konvoluční neuronové sítě (CNN) AlexNet a VGG16. Dosažené výsledky jsou v závěru porovnány.
|
|
|
Metody detekce, segmentace a klasifikace obtížně definovatelných kostních nádorových lézí ve 3D CT datech
Chmelík, Jiří ; Flusser,, Jan (oponent) ; Kozubek, Michal (oponent) ; Jan, Jiří (vedoucí práce)
Cílem této práce byl vývoj algoritmů pro detekci, segmentaci a klasifikaci obtížně definovatelných kostních metastatických nádorových lézí v oblasti páteře z obrazových CT dat. Pro tyto účely byla vytvořena pacientská databáze anotovaná lékařskými experty. Postupně byly navrženy tři metody, z nichž první je založena na přepracování a kombinaci metod dostupných z předchozího řešení projektu, druhá je velmi rychlá varianta založená na fuzzy k-means shlukové analýze, třetí metoda využívá moderních metod strojového učení, konkrétně hluboké učení konvolučních neuronových sítí. Dále byla navržena modifikace upřesňující výsledky následnou meta-analýzou nalezených kandidátů lézí pomocí náhodného lesa. Dosažené výsledky byly objektivně vyhodnoceny a porovnány s výsledky algoritmů publikovaných jinými autory. Pro hodnocení byly použity dva přístupy: technický, voxelově založený a klinický, objektově založený. Dosažené výsledky byly následně zhodnoceny a diskutovány.
|
|
|
Využití metod tvarové analýzy pro klasifikaci objektů v medicínských obrazech
Karela, Jiří ; Odstrčilík, Jan (oponent) ; Chmelík, Jiří (vedoucí práce)
Tato bakalářská práce se zabývá problematikou tvarové analýzy. Popisuje některé postupy a metody, které s touto analýzou souvisí. Práce je rozdělena na teoretickou část, praktickou část a závěr. V teoretické části jsou popsané do většího detailu některé metody, s pomocí kterých poté byla řešena část praktická. Také je zde ale popsána i další teorie, která souvisí s tématem. V praktické části se poté navazuje na danou teorii a je řešen problém tvarové analýzy díky znalostem v teorii získaných. Algoritmus je otestován na medicínských datech z CT obratel. Závěr slouží jako shrnutí a zhodnocení řešení tvarové analýzy. Také slouží jako úvaha nad realizací naší metody, tedy jak by se mohlo naše řešení a výsledek zlepšit.
|
host ::
RSS.