Název:
Segmentace patologických tkání v objemových MRI datech mozku s využitím hlubokého učení
Překlad názvu:
Deep-learning based segmentation of pathological tissue in brain MR images
Autoři:
Nantl, Ondřej ; Kolář, Radim (oponent) ; Chmelík, Jiří (vedoucí práce) Typ dokumentu: Diplomové práce
Rok:
2023
Jazyk:
cze
Nakladatel: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstrakt: [cze][eng]
Tato diplomová práce se věnuje segmentaci ischemických ložisek z T1 vážených MRI skenů pomocí metod hlubokého učení. V teoretické části jsou shrnuty anatomie mozku, jeho zobrazování pomocí MRI, dostupné datasety pro tvorbu metod k automatické segmentaci patologické mozkové tkáně a metody segmentující ischemickou mozkovou tkáň s využitím hlubokého učení. V praktické části je popsán využitý dataset, jeho předzpracování, navržené architektury modelů hlubokého učení (U-Net) a jejich trénink. Metody byly implementovány v programovacím jazyce Python. Dále jsou uvedeny dosažené výsledky a jejich diskuze.
This diploma thesis deals with the topic of segmentation of ischemic tissue in T1 weighted MRI image data using deep learning methods. The theoretical part deals with the anatomy of brain, brain imaging using MRI, available datasets for automatic segmentation of pathological brain tissue and automatic deep learning methods for segmentation of ischemic brain tissue. In the practical part the used dataset and its preprocessing, as well as the proposed deep learning methods (U-Net) and their training, are described. The models were implemented using Python. Finally, the results of the models are presented and discussed.
Klíčová slova:
cévní mozková příhoda; hluboké učení; ischemická tkáň; mozek; U-Net; brain; deep learning; ischemic tissue; stroke; U-Net
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/11012/210049