Original title:
Hluboké neuronové sítě pro analýzu medicínských obrazových dat
Translated title:
Deep Learning for Medical Image Analysis
Authors:
Trávníčková, Kateřina ; Hradiš, Michal (referee) ; Španěl, Michal (advisor) Document type: Bachelor's theses
Year:
2017
Language:
cze Publisher:
Vysoké učení technické v Brně. Fakulta informačních technologií Abstract:
[cze][eng]
Tato bakalářská práce se zabývá analýzou medicínských objemových dat pomocí konvolučních neuronových sítí. Vstupem analýzy jsou CT snímky lidských končetin, výstupem pak vysegmentované kontury dlouhých kostí, humeru a tibie. Cílem práce je nalezení vhodného nastavení konvoluční neuronové sítě pro co nejpřesnější výstup analýzy. Jako metrika úspěšnosti byla zvolena plocha pod Precision-Recall křivkou (AUC). Nejlepší dosažená úspěšnost se pohybuje kolem 88 % (0.8778 AUC). Pro implementaci řešení byl použit framework Caffe, resp. caffe modul pro skriptovací jazyk python.
This bachelor thesis deals with medical volume data analysis using convolutional neural networks. The input of the analysis is a CT scan of human limbs and the output are segmented countours of long bones, humerus and tibia. The goal of this work is to find suitable convolutional neural network settings to achieve the best possible analysis output while the area under the Precision-Recall curve is used as the precision metric. The best accuracy reaches almost 88 % (0.8778 AUC). The implementation is based on Caffe framework, or python caffe module.
Keywords:
Caffe framework; Convolution; convolutional neural networks; machine learning; medical volume data; object contour segmentation; pycaffe; Caffe framework; Konvoluce; konvoluční neuronové sítě; medicínská objemová data; pycaffe; segmentace kontur objektu; strojové učení
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/11012/69839