|
|
COVID-19 disease classification based on analysis of chest X-rays
Šteflík, Dominik ; Kiac, Martin (referee) ; Myška, Vojtěch (advisor)
This diploma thesis addresses the development and evaluation of artificial intelligence algorithms for classifying COVID-19 disease from chest X-ray images. Given the severity and impact of the COVID-19 pandemic on the global population, the ability to rapidly and accurately diagnose diseases from radiographic images has become critical. This study synthesizes current advancements in image processing and deep learning to evaluate the application of several novel classification methods in practice. Using a dataset obtained from a Czech medical environment, these methods are analyzed and validated in order to examine their effectiveness and accuracy in real life scenarios. The methods chosen for this study, COVID-Net, DarkCovidNet, and CoroNet, were selected due to their availability, widespread use and proven effectiveness in the field. The core of the thesis is the design of a convolutional neural network tailored to extract and learn from the subtle features present in X-ray images indicative of COVID-19. This initiative confronted significant challenges posed by variable acquisition parameters of X-ray images, which can substantially affect diagnostic accuracy. The uniformity of these parameters is crucial for reliable analysis, underscoring the importance of rigorous preprocessing techniques. In response, advanced normalization, contrast adjustment, and augmentation procedures were implemented to standardize the input data. The convolutional network itself employs a series of convolutional, pooling, and fully connected layers, optimized to handle the nuanced variations present in medical imaging data. Notably, the network architecture incorporates an attention mechanism, implemented through a Squeeze-and-Excitation block, to dynamically adjust the importance of different channels in the input image. By integrating these elements, the network model is trained to focus on significant features within the X-ray images, allowing it to distinguish subtle indicators of COVID-19 effectively. Furthermore, this work discusses the potential of integrating these AI-driven diagnostic tools into existing healthcare infrastructures to enhance early detection and treatment of COVID-19. The findings indicate that leveraging artificial intelligence in medical imaging can substantially aid in managing and controlling disease outbreaks, ultimately contributing to better health outcomes.
|
|
|
Behaviour-Based Identification of Network Devices
Polák, Michael Adam ; Holkovič, Martin (referee) ; Polčák, Libor (advisor)
Táto práca sa zaoberá problematikou identifikácie sieťových zariadení na základe ich chovania v sieti. S neustále sa zvyšujúcim počtom zariadení na sieti je neustále dôležitejšia schopnosť identifikovať zariadenia z bezpečnostných dôvodov. Táto práca ďalej pojednáva o základoch počítačových sietí a metódach, ktoré boli využívané v minulosti na identifikáciu sieťových zariadení. Následne sú popísané algoritmy využívané v strojovom učení a taktiež sú popísané ich výhody i nevýhody. Nakoniec, táto práca otestuje dva tradičné algorithmy strojového učenia a navrhuje dva nové prístupy na identifikáciu sieťových zariadení. Výsledný navrhovaný algoritmus v tejto práci dosahuje 89% presnosť identifikácii sieťových zariadení na reálnej dátovej sade s viac ako 10000 zariadeniami.
|
|
|
Machine Comprehension Using Commonsense Knowledge
Daniš, Tomáš ; Landini, Federico Nicolás (referee) ; Fajčík, Martin (advisor)
V tejto práci je skumaná schopnosť používať zdravý rozum v moderných systémoch založených na neurónových sieťach. Zdravým rozumom je myslená schopnosť extrahovať z textu fakty, ktoré nie sú priamo spomenuté, ale implikuje ich situácia v texte. Cieľom práce je poskytnúť náhľad na súčasný stav výskumu v tejto oblasti a nájsť sľubné výskumné smery do budúcnosti. V práci je implementovaný jeden z najmodernejších modelov na odpovedanie na otázky a je ďalej použitý na experimenty v rôznych situáciách. Narozdiel od starších prístupov, tento model dosahuje porovnateľné výsledky s najlepšími známymi modelmi aj keď jeho architektúra neobsahuje žiadne prvky zamerané konkrétne na zlepšenie schopnosti zdravo uvažovať. Taktiež boli nájdené štatistické artefakty v populárnej sade dát s otázkami vyžadujúcimi zdravé uvažovanie. Tieto artefakty môžu byť použité štatistickými modelmi na nájdenie správnej odpovede aj v prípadoch, kedy by to nemalo byť možné. Na základe týchto zistení sú v práci poskytnuté odporúčania a návrhy pre výskum do budúcnosti.
|
|
|
Evolutionary Design of Image Classifier
Koči, Martin ; Bidlo, Michal (referee) ; Drahošová, Michaela (advisor)
This thesis deals with evolutionary design of image classifier with help of genetic programming, specifically with cartesian genetic programming. Thesis discribes teoretical basics of machine learing, evolutionary algorithms and genetic programming. Part of this thesis is described design of the program and its implementation. Futhermore, experiments are performed on two solved tasks for the classification of handwritten digits and the classification of cube drawings, which can be used to determine the rate of dementia in Parkinson's disease. The best designed solution for digits is with AUC of 0.95 and for cubes 0.86. Designed solutions are compared by other methods, namely convolutional neural networks (CNN) and the support vector machines (SVM). The resulting AUC for the classification of digits for both CNN and SVM is 0.99, for cubes CNN has a final AUC 0.81 and SVM 0.69. The cubes are then compared with existing solution, which resulted in AUC 0.70, so that the results of the experiments show an improvement in the method used in this thesis.
|
|
|
Generating Code from Textual Description of Functionality
Kačur, Ján ; Ondřej, Karel (referee) ; Smrž, Pavel (advisor)
The aim of this thesis was to design and implement system for code generation from textual description of functionality. In total, 2 systems were implemented. One of them served its purpose as a control prototype, the second one was the main product of this thesis. I focused on using smaller non-pre-trained models. Both systems used Transformer type model as their cores. The second system, unlike the first, used syntactic decomposition of both code and textual descriptions. Data used in both systems originated from project CodeSearchNet. Targer programming language to generate was Python. The second system achieved better quantitative results than the first one, with accuracy of 85% versus 60%. The system managed to auto-complete correct code to finish the function definition, with bigger time delay. This thesis is almost exclusively dedicated to the second system.
|
|
|
Machine learning models for quantifying phenotypic signatures of cancer cells based on transcriptomic and epigenomic data
Koban, Martin ; PhD, Florian Halbritter, (referee) ; Mehnen, Lars (advisor)
S rozvojom techník pre efektívnu akvizíciu genomických dát sa jednou z kľúčových vedeckých výziev stala interpretácia výsledkov týchto experimentov v zmysluplnom biologickom kontexte. Táto práca sa zameriava na využitie informácií ukrytých v dobre charakterizovaných transkriptomických a epigenomických dátach z verejne dostupných zdrojov pre účely takejto interpretácie. Najskôr je vytvorený integrovaný súbor dát generovaných metódami DNase-seq a ATAC-seq, ktoré kvantifikujú chromatínovú dostupnosť. Tieto údaje sú doplnené verejne dostupnými výsledkami techniky RNA-seq pre kvantitatívne hodnotenie génovej expresie a vhodne predspracované pre ďalšiu analýzu. Pripravené dáta sú následne použité na trénovanie modelov strojového učenia (klasifikátorov) s dvomi základnými cieľmi. Po prvé za účelom augmentácie metadát prislúchajúcich k jednotlivým biologickým vzorkám v trénovacom dátovom súbore pomocou predikcie nedefinovaných anotácií. Po druhé pre anotáciu zle charakterizovaných testovacích dát (nepoužitých v trénovacej fáze) za účelom overenia generalizačnej schopnosti zostavených modelov. Dosiahnuté výsledky ukazujú, že natrénované klasifikátory sú schopné zachytiť biologicky relevantné informácie, zatiaľ čo vplyv technických artefaktov je minimalizovaný. Navrhnutý prístup je preto schopný prispieť k lepšiemu pochopeniu komplexných transkriptomických a epigenomických dát, predovšetkým v oblasti onkologického výskumu.
|
|
|
Deep Neural Networks for Reinforcement Learning in Real-Time Strategy
Barilla, Marco ; Dobeš, Petr (referee) ; Kolář, Martin (advisor)
Machine learning is one of the fastest growing branches of modern science. It is a subfield of artificial intelligence research that is interested the problem of making computers help us solve complex modern problems. Games play an important role in this field because they represent the perfect environment for testing of new approaches and benchmarking against human performance. Starcraft 2 is currently in the spotlight, thanks to its broad playerbase and its complexity. The practical goal of this paper is to create an advantage actor critic agent that is able to operate in the environment of this game.
|
|
|
Robust Audio Dereverberation and Denoising
Košina, Simon ; Skácel, Miroslav (referee) ; Szőke, Igor (advisor)
The goal of this thesis was to create a speech enhancement and dereverberation model for audio recordings coming from aircraft VHF communication. First, the thesis covers some theoretical grounds of machine learning and types of neural networks commonly used in such scenarios. Following is a description of the used framework, datasets and the implementation itself. Last chapters are focused on the performed experiments and their evaluation. At the end we talk about the future work that can be done in order to further improve the achieved results.
|
|
|
Automated Detection of Hate Speech and Offensive Language
Štajerová, Alžbeta ; Žmolíková, Kateřina (referee) ; Fajčík, Martin (advisor)
This thesis discusses hate speech and offensive language phenomenon, their respective definitions and their occurrence in natural language. It describes previously used methods of solving the detection. An evaluation of available data sets suitable for the problem of detection is provided. The thesis aims to provide additional methods of solving the detection of this issue and it compares the results of these methods. Five models were selected in total. Two of them are focused on feature extraction and the remaining three are neural network models. I have experimentally evaluated the success of the implemented models. The results of this thesis allow for comparison of the typical approaches with the methods leveraging the newest findings in terms of machine learning that are used for the classification of hate speech and offensive language.
|
|
|
Deep Learning Algorithms on Embedded Devices
Hadzima, Jaroslav ; Boštík, Ondřej (referee) ; Horák, Karel (advisor)
Táto práca popisuje v súčastnosti široko používané architektúry a modely pre Hlboké Učenie, riešiace úlohu detekcie a klasifikácie objektov vo videu. Dôraz tu bude kladený na ich použiteľnosť na vstavaných zariadeniach. Postupne preberieme kroky a odvôvodňovanie pri výbere najlepšieho vstavaného systému pre našu aplikáciu. Ukážková aplikáci pozostáva hlavne z detekcie vozidiel a detekcie voľných parkovacích miest s využitím algoritmov Hlbokého Učenia. Táto aplikácia umožňuje monitorovať počet vozidiel, nachádzajúcich sa na parkovisku a zároveň rozhodnúť, či sa nachádzajú na prakovacom mieste alebo nie. Následne tu budú prebrané kroky nutné ku konfigurácii zariadenia s dôrazom na optimalizáciu hardvéru pre dosiahnutie čo najväčšej rýchlosti. V ďaľšej časti bude poskytnuté porovnanie vybraných modelov, ktoré budú porovnávané hlavne v kategóriách ako rýchlosť alebo F1 skóre. Najlepší kandidát bude použitý na riešenie našej aplikácie a následné testovanie jej vlastností s názvom Inteligentné parkovisko.
|
guest ::
