Název:
Generování obrázků sítnice s omezeným množstvím trénovacích dat
Překlad názvu:
Retinal Images Generation with a Limited Amount of Training Data
Autoři:
Senichak, Yahor ; Semerád, Lukáš (oponent) ; Kavetskyi, Andrii (vedoucí práce) Typ dokumentu: Bakalářské práce
Rok:
2024
Jazyk:
cze
Nakladatel: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstrakt: [cze][eng]
Účelem této studie je prozkoumat pokrok a aplikaci počítačového vidění a generativních adversariálních sítí (GAN 3.1) v diagnostice a studiu onemocnění očního pozadí. Zvláštní pozornost je věnována nejnovějším pokrokům v oblasti syntézy medicínských dat a vývoji vlastního algoritmu. Byla provedena implementace nejnovějších pokroků v oblasti architektury hlubokého učení U-GAT-IT [22], která zahrnuje dva páry hlubokých neuronových sítí (dva generátory a dva diskriminátory). Tato implementace prošla tréninkem po dobu přibližně 300 000 iterací, během kterých byly dosaženy pozitivní výsledky. Byla zaznamenána dynamika procesu tréninku a provedeny testy, které prokázaly schopnost generovat kvalitní syntetické snímky očního pozadí nezávisle na vstupních datech.
The purpose of this study is to explore the progress and application of computer vision and generative adversarial networks (GANs3.1) in the diagnosis and study of fundus diseases. Particular attention is paid to the latest advances in the field of medical data synthesis and the development of our own algorithm. Recent advances in the deep learning architecture U-GAT-IT [22], which includes two pairs of deep neural networks (two generators and two discriminators), have been implemented. This implementation was trained for approximately 300,000 iterations, during which positive results were obtained. The dynamics of the training process were recorded and tests were performed to demonstrate the ability to generate high-quality synthetic images of the ocular background independent of the input data
Klíčová slova:
Adaptivní normalizace; automatizace diagnostiky; FCN; GANs; Generátor fundu; hluboké učení; konvoluční neuronové sítě; Lékařská segmentace; lékařské zobrazování; Oční dno; P-Unet; ResNet; strojové učení; U-GAT-IT; U-net; Ztráta CAM; Ztráta cyklu; Adaptive normalization; CAM loss; convolutional neural networks; Cycle loss; deep learning; diagnostic automation; FCN; Fundus; Fundus generator; GANs; machine learning; medical imaging; Medical segmentation; P-Unet; ResNet; U-net; UGAT-IT
Instituce: Vysoké učení technické v Brně
(web)
Informace o dostupnosti dokumentu:
Plný text je dostupný v Digitální knihovně VUT. Původní záznam: https://hdl.handle.net/11012/246912