Original title: Moderní nástroje pro segmentaci medicínských obrazů
Translated title: Modern tools for medical image segmentation
Authors: Hnitii, Vladyslav ; Krejčí, Kateřina (referee) ; Jakubíček, Roman (advisor)
Document type: Bachelor's theses
Year: 2026
Language: eng
Publisher: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract: [eng] [cze]
Segmentace medicínských obrazů představuje základní krok v počítačem podporované diagnostice a klinickém výzkumu. Tato práce srovnává specializované a generalistické přístupy k segmentaci medicínských obrazů, přičemž porovnává framework nnU-Net s~generalistickými modely řízenými prompty, jako jsou MedSAM a BiomedParse. Hodnocení zahrnuje více zobrazovacích modalit a anatomických struktur s využitím veřejně dostupných datasetů. Jsou provedeny cílené experimenty zaměřené na robustnost modelů, citlivost na design promptů, zobecnitelnost bez dodatečného trénování a vliv volumetrického kontextu na kvalitu segmentace. Výsledky poukazují na kompromisy mezi specializovanými a generalistickými modely z hlediska přesnosti, datových požadavků a praktické použitelnosti a identifikují klíčové faktory relevantní pro klinické nasazení. Medical image segmentation is a fundamental step in computer-aided diagnosis and clinical research. This thesis compares specialist and generalist approaches to medical image segmentation, contrasting the fully supervised nnU-Net framework against prompt-based generalist models such as MedSAM and BiomedParse. The evaluation covers multiple imaging modalities and anatomical structures using publicly available datasets. Targeted experiments assess model robustness, sensitivity to prompt design, generalization without additional training, and the effect of volumetric context on segmentation quality. The results highlight the trade-offs between specialist and generalist models in terms of accuracy, data requirements, and practical usability, and identify key factors relevant to clinical deployment.
Keywords: Hluboké učení; nnU-Net; Polypy; Retinální cévy; Segmentace medicínských obrazů; Segmentace založená na promptech; Slezina; Slinivka břišní; Základní modely; Deep learning; Foundation models; Medical image segmentation; nnU-Net; Pancreas; Polyps; Prompt-based segmentation; Retinal vessels; Spleen

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/11012/258501

Permalink: http://www.nusl.cz/ntk/nusl-777434


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Bachelor's theses