|
|
Thrombi detection in main brain arteries in CT image data
Líška, Martin ; Nemček, Jakub (oponent) ; Chmelík, Jiří (vedoucí práce)
The master’s thesis deals with automatic preprocessing, segmentation and consecutive analysis of volume data of anonymized patient CTA acquisitions with an indication of stroke. Preprocessing of volume data is an essential step for proper vascular tree segmentation and analysis. The region growing method was used to segment the vascular tree of the brain. After extracting the vascular tree, the labeling of individual branches was applied in the algorithm and the appropriate features were extracted. The analysis examined the features of vessel lengths, their diameter and local brightness profiles, which are important indicators of possible stenosis or occlusion of the main vessels of the brain. The output of the algorithm are various modalities of diagnostic, assisted visualizations of the segmented vascular tree. The segmentation and analysis algorithm of cerebrovascular system was created in the MATLAB programming environment.
|
|
|
Segmentace buněk pomocí konvolučních neuronových sítí
Hrdličková, Alžběta ; Chmelík, Jiří (oponent) ; Vičar, Tomáš (vedoucí práce)
Tato práce zkoumá využití konvolučních neuronových sítí se zaměřením na sémantickou a instanční segmentaci buněk z mikroskopických snímků. Teoretická část obsahuje popis hlubokých neuronových sítí a shrnutí široce používaných konvolučních architektur pro segmentaci obrazu. Praktická část práce je věnována vytvoření modelu konvoluční neuronové sítě na základě architektury U-Net. Dále obsahuje segmentaci buněk predikovaných obrazů pomocí tří metod, a to prahování, metody rozvodí a metody náhodného chodce.
|
|
|
Umělá inteligence pro predikování sepsí z klinických signálů
Šidlo, David ; Chmelík, Jiří (oponent) ; Vičar, Tomáš (vedoucí práce)
Tato bakalářská práce řeší otázku predikování sepsí z klinických signálů pomocí metod umělé inteligence. V teoretické části je vypracována literární rešerše na zakladní principy a fungování různých metod umělé inteligence. Větší důraz byl kladen na rekurentní neuronové sítě. Cílem praktické části byla implementace vhodné metody ve zvoleném programovacím prostředí. Jako vhodná metoda byla vybrána LSTM síť a časová konvoluční síť TCN. Nejlepších výsledků normalizované hodnoty utility score dosáhla TCN, a to 0,377 a sedmi vrstvá LSTM 0,356.
|
|
|
Meta-analýza kostních nádorových lézí v páteřních CT snímcích s využitím konvolučních neuronových sítí
Nantl, Ondřej ; Jakubíček, Roman (oponent) ; Chmelík, Jiří (vedoucí práce)
Tato bakalářská práce se zabývá využitím konvolučních neuronových sítí při meta-analýze kostních nádorových lézí v CT obrazových datech. Teoretická část pojednává o anatomii a patologii kostní tkáně, strojovém učení, popisuje funkci konvolučních neuronových sítí a shrnuje vybrané existující počítačově podpůrné metody pro detekci kostních nádorových lézí v obratlech. V praktické části byly různé typy modelů využívající konvoluční neuronové sítě implementovány a sítě byly trénovány na dostupném augmentovaném datasetu. Nakonec byly výsledky jednotlivých typů modelů statisticky vyhodnoceny, srovnány s dostupnými publikacemi a toto vše je diskutováno.
|
|
|
Využití strojového učení pro generování medicínských obrazů
Hrtoňová, Valentina ; Chmelík, Jiří (oponent) ; Jakubíček, Roman (vedoucí práce)
Tato práce se zabývá využitím generativních soutěživých sítí pro generování medicínských obrazů. Nejdříve jsou popsány umělé neuronové sítě se zaměřením na konvoluční neuronové sítě a generativní soutěživé sítě. Je vypracována rešerše na využití generativních soutěživých sítí v medicíně a jsou blíže popsány vybrané publikace na téma syntézy medicínských obrazů. V programovém prostředí Python je implementován model hluboce konvoluční generativní soutěživé sítě pro generování syntetických obrazů kožních lézí a model „pix2pix“ pro tři aplikace. První aplikací modelu „pix2pix“ je generování obrazů kožních lézí, druhou je generování CT obrazů axiálních řezů páteře a poslední aplikací je generování CT obrazů sagitálních řezů páteře. Na závěr jsou prezentovány a diskutovány výsledky generování medicínských obrazů pomocí generativních soutěživých sítí.
|
|
|
Method for Extending the Field of View for X-ray Computed Tomography with Submicron Resolution
Zemek, Marek ; Chmelík, Jiří (oponent) ; Mézl, Martin (vedoucí práce)
Computed tomography is a tool for nondestructive evaluation of samples, commonly used in many industrial and scientific fields. Some tomographic devices produce images with sub-micrometer spatial resolution. The field of view of such devices can be very small, in the range of single millimeters or less. This restricts possible sizes of samples, which is a major limitation. Various field-of-view extension techniques exist which are able to overcome this restriction. In this thesis, a previously published technique was adapted and implemented specifically for the Rigaku Nano3DX X-Ray microscope. This technique almost doubles the lateral extent of the field of view without the need for a larger detector array. The approach was tested using both synthetic and real data, and its performance is evaluated subjectively and objectively, through visual inspection and image quality metrics. The evaluation is largely based on comparing images reconstructed using this method to ones acquired using a larger detector array. The field-of-view extension method yields faithful reconstructions of samples, comparable in quality to their larger-detector counterparts.
|
|
|
Processing of high-resolution retinal images
Vraňáková, Sofia ; Chmelík, Jiří (oponent) ; Valterová, Eva (vedoucí práce)
The master’s thesis is focused on the processing of high-resolution retinal images. The aim of this work is to obtain images of higher quality from a sequence of low-quality frames. The frames are first pre-processed by using bilateral filtering and contrast enhancement. The shift between the frames in the imaging sequence is estimated using phase correlation, and these frames are then fused together using the averaging through the frames and the super-resolution technique, more specifically regularization based on bilateral total variance. The resulting median quality scores of obtained images are PIQUE 0.2600, NIQE 0.0701, and BRISQUE 0.3936 for the averaging technique and PIQUE 0.1063, NIQE 0.0507, and BRISQUE 0.1570 for super-resolution technique.
|
|
|
Segmentation of biological samples in cryo-electron microscopy images using machine learning methods
Sokol, Norbert ; Vičar, Tomáš (oponent) ; Chmelík, Jiří (vedoucí práce)
Cryo-electron microscopy imaging has its irreplaceable position in analysis of various biological structures. Localization of the cells cultivated on grid and their segmentation towards background or contamination is essential. With the development of various deep learning methods, the performance of semantic segmentation tasks dramatically increased. In this thesis, we will develop a deep convolutional neural network for semantic segmentation of the cells cultivated on grid. Dataset for this thesis was created with dual-beam cryo-electron microscope developed by Thermo Fisher Scientific Brno.
|
|
|
Utilization of convolutional neural networks for segmentation of mouse embryos cartilaginous tissue in micro-CT data
Poláková, Veronika ; Vičar, Tomáš (oponent) ; Chmelík, Jiří (vedoucí práce)
Automatic segmentation of the biological structures in micro-CT data is still a challenge since the object of interest (craniofacial cartilage in our case) is commonly not characterized by unique voxel intensity or sharp borders. In recent years, convolutional neural networks (CNNs) have become exceedingly popular in many areas of computer vision. Specifically, for biomedical image segmentation problems, U-Net architecture is widely used. However, in the case of micro-CT data, there is a question whether 3D CNN would not be more beneficial. The master thesis introduced CNN architecture based on V-Net as well as the methodology for data preprocessing and postprocessing. The baseline architecture was further optimized using advanced architectural modifications such as Atrous Spatial Pyramid Pooling (ASPP) module, Scaled Exponential Linear Unit (SELU) activation function, multi-output supervision and Dense blocks. For network learning, modern approaches were used including learning rate warmup or AdamW optimizer. Even though the 3D CNN do not outperform U-Net regarding the craniofacial cartilage segmentation, the optimization raises the median of Dice coefficient from 69.74 % to 80.01 %. Therefore, utilizing these advanced architectural modifications is highly encouraged as they can be easily added to any U-Net-like architecture and may remarkably improve the results.
|
|
|
Detekce cizích objektů v rentgenových snímcích hrudníku s využitím metod strojového učení
Matoušková, Barbora ; Kolář, Radim (oponent) ; Chmelík, Jiří (vedoucí práce)
Cizí objekty v RTG snímcích hrudníku způsobují komplikace během automatického zpracování snímku. Abychom zabránily chybám, které vznikají právě kvůli těmto cizím objektům, je třeba je nejprve automaticky vyhledat a z následné analýzy je vynechat. Jedná se především o knoflíky, šperky, implantáty, dráty či trubičky. Zároveň nalezení pacemakerů a jiných voperovaných zařízení může pomoct při automatickém zpracování. Cílem této práce bylo navrhnout metodu pro detekci cizích objektů v RTG snímcích hrudníku. Pro tento úkol byla zvolena metoda Faster R-CNN s předtrénovanou sítí ResNet50 pro extrakci příznaků, která byla natrénována na 4 000 snímcích a následně otestována na 1 000 snímcích z veřejně dostupné databáze. Po nalezení optimálních učících parametrů se podařilo natrénovat síť, která dosahuje 75% přesnosti, 77% senzitivity a 76% F1 skóre. Určitá část chyby je ovšem tvořena nejednotnými anotacemi objektů v datech, kdy ne všechny anotované cizí objekty se nachází v oblasti plic, jak je udáno v popisu.
|
host ::
RSS.