Original title:
Identifikace 2D CT axiálních řezů pomocí konvolučních neuronových sítí
Translated title:
Convolutional neural networks for identification of axial 2D slices in CT data
Authors:
Vavřinová, Pavlína ; Harabiš, Vratislav (referee) ; Jakubíček, Roman (advisor) Document type: Bachelor's theses
Year:
2018
Language:
cze Publisher:
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií Abstract:
[cze][eng]
Tato práce se zabývá klasifikací 2D axiálních CT řezů pacientských dat do šesti kategorií. K tomuto záměru byla využita oblast konvolučních neuronových sítí. Pro snadnější porozumění této problematice jsou nejprve vysvětleny základy neuronových sítí obecně a poté principy hlubokého učení zahrnující konvoluční neuronové sítě. Pro účely identifikace axiálních řezů byla vybrána konkrétně síť AlexNet, která byla po uzpůsobení otestovaná na vytvořené datové sadě. Celková úspěšnost klasifikace dosáhla 86%, po finálních úpravách došlo k mírnému zlepšení, kdy identifikační schopnost činila 87%.
This thesis deals with the classification of axial 2D slices in CT patient’s data into six categories. The sphere of convolutional neural networks was used for this purpose. For a better understanding of this issue, the basics of neural networks and then the principles of deep learning including convolutional neural networks are explained at first. The AlexNet network was specifically selected for the intention of this identification, and it was tested on the created data set after being adaptated. The overall classification success rate was 86% ,after the final adjustments, a slight improvement was achieved and the identification success rate was 87%.
Keywords:
AlexNet; convolutional neural networks; CT; deep learning; neural networks; AlexNet; CT; hluboké učení; konvoluční neuronové sítě; neuronové sítě
Institution: Brno University of Technology
(web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library. Original record: http://hdl.handle.net/11012/82815