Název:
Metody hlubokého učení pro segmentaci cév a optického disku v oftalmologických sekvencích
Překlad názvu:
Deep learning methods for vessel and optic disc segmentation in ophthalmologic sequences
Autoři:
Rozhoňová, Andrea ; Odstrčilík, Jan (oponent) ; Hesko, Branislav (vedoucí práce) Typ dokumentu: Diplomové práce
Rok:
2019
Jazyk:
cze
Nakladatel: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstrakt: [cze][eng]
Cílem následující diplomové práce bylo studium problematiky segmentace optického disku a cév sítnice v oftalmologických sekvencích. Teoretická část práce shrnuje principy různých přístupů z oblasti hlubokého učení, které se v souvislosti s danou problematikou využívají. Na základě teoretické části jsou navrženy metody pro segmentaci optického disku a pro segmentaci cév sítnice založené na konvolučních neuronových sítích Linknet, PSPNet, Unet a MaskRCNN. Popisem jejich implementace a následným zhodnocením se zabývá praktická část diplomové práce.
The aim of the following thesis was to study the issue of optical disc and retinal vessels segmentation in ophthalmologic sequences. The theoretical part of the thesis summarizes the principles of different approaches in the field of deep learning, which are used in connection with the given issue. Based on the theoretical part, methods for optical disk segmentation and retinal vessel segmentation based on the convolutional neural networks Linknet, PSPNet, Unet and MaskRCNN are proposed. The practical part of the thesis deals with the description of their implementation and subsequent evaluation.
Klíčová slova:
cévy sítnice; hluboké učení; Keras; konvoluční neuronové sítě; MaskRCNN; oftalmologie; optický disk; segmentace obrazu; Unet; Convolutional neural networks; Deep learning; Image segmentation; Keras; MaskRCNN; Ophthalmology; Optic disc; Retina vessels; Unet
Instituce: Vysoké učení technické v Brně
(web)
Informace o dostupnosti dokumentu:
Plný text je dostupný v Digitální knihovně VUT. Původní záznam: http://hdl.handle.net/11012/177634