|
|
Thrombi detection in main brain arteries in CT image data
Líška, Martin ; Nemček, Jakub (referee) ; Chmelík, Jiří (advisor)
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.
|
|
|
Cell segmentation using convolutional neural networks
Hrdličková, Alžběta ; Chmelík, Jiří (referee) ; Vičar, Tomáš (advisor)
This work examines the use of convolutional neural networks with a focus on semantic and instance segmentation of cells from microscopic images. The theoretical part contains a description of deep neural networks and a summary of widely used convolutional architectures for image segmentation. The practical part of the work is devoted to the creation of a convolutional neural network model based on the U-Net architecture. It also contains cell segmentation of predicted images using three methods, namely thresholding, the watershed and the random walker.
|
|
|
Artificial intelligence for predicting sepsis from clinical signals
Šidlo, David ; Chmelík, Jiří (referee) ; Vičar, Tomáš (advisor)
This bachelor thesis deals with the issue of predicting sepsis from clinical data using artificial intelligence methods. In the theoretical part, a literature research is made on the basic principles and functioning of various methods of artificial intelligence. Greater emphasis was placed on recurrent neural networks. The aim of the practical part was to implement a suitable method in the chosen programming environment. The LSTM network and the temporal convolutional network TCN were chosen as suitable methods. The best results of the normalized value of the utility score were achieved by TCN, namely 0.377 and seven-layer LSTM 0.356.
|
|
|
Meta-analysis of bone tumorous lesions in spinal CT data using convolutional neural networks
Nantl, Ondřej ; Jakubíček, Roman (referee) ; Chmelík, Jiří (advisor)
This bachelor thesis deals with the use of convolutional neural networks in the meta-analysis of bone tumor lesions in CT image data. The theoretical part describes the anatomy and pathology of bone tissue, machine learning, discusses the functionality of convolutional neural networks and summarizes selected existing methods for computer-aided diagnosis of vertebra bone lesions. In the practical part, various types of models using convolutional neural networks were implemented and the networks were trained on an available augmented dataset. Finally, the results of various types of models were statistically evaluated, compared with available articles and discussed.
|
|
|
Machine learning based method for medical image generation
Hrtoňová, Valentina ; Chmelík, Jiří (referee) ; Jakubíček, Roman (advisor)
This thesis deals with the use of generative adversarial networks for the synthesis of medical images. Firstly, artificial neural networks are described with a focus on convolutional neural networks and generative adversarial networks. Applications of generative adversarial networks in medicine are reviewed, and selected publications on the topic of medical image synthesis are described in more detail. Furthermore, multiple models of generative adversarial networks are designed and implemented in the Python programming language. First is a model of the deep convolutional generative adversarial network and the model „pix2pix“ for the generation of skin lesion images. Moreover, the „pix2pix“ model is used for the generation of both axial and sagittal CT images of the spine. Finally, the results of generating medical images using generative adversarial networks are presented and discussed.
|
|
|
Method for Extending the Field of View for X-ray Computed Tomography with Submicron Resolution
Zemek, Marek ; Chmelík, Jiří (referee) ; Mézl, Martin (advisor)
Výpočetní tomografie je nástroj pro nedestruktivní inspekci vzorků, který je běžně používán v mnoha oblastech průmyslu a výzkumu. Některé tomografické přístroje umožňují snímání obrazů s prostorovým rozlišením pod jeden mikrometr. Zorné pole takovýchto přístrojů bývá malé, v rozsahu jednotek milimetrů či méně. Tím jsou omezeny rozměry vzorků, což je značně limitující. Toto omezení lze překonat pomocí různých technik pro rozšíření zorného pole. Jedna takováto dříve publikovaná metoda byla v této práci upravena a implementována pro přístroj Rigaku Nano3DX. Tato technika téměř zdvojnásobuje zorné pole přístroje bez nutnosti většího detektoru. Implementovaný přístup byl testován pomocí umělých i skutečných dat, a jeho účinnost byla zhodnocena subjektivně i objektivně, pomocí vizuální kontroly a metrik kvality obrazu. Hodnocení je převážně založeno na srovnání obrazů rekonstruovaných pomocí této metody s obrazy získanými pomocí většího detektoru. Implementovaná technika rozšíření zorného pole poskytuje věrné rekonstrukce vzorku, srovnatelné se zmíněnými protějšky.
|
|
|
Processing of high-resolution retinal images
Vraňáková, Sofia ; Chmelík, Jiří (referee) ; Valterová, Eva (advisor)
Diplomová práca je zameraná na spracovávanie obrazov sietnice s vysokým rozlíšením. Cieľom práce je zlepšiť výslednú kvalitu výsledných snímkov sietnice získaných zo sekvencie snímkov nižšej kvality. Jednotlivé snímky sú najskôr spracované pomocou bilaterálnej filtrácie a zlepšenia kontrastu. v ďalšom kroku sú odstránené rozmazané snímky a snímky zobrazujúce iné časti sietnice. Posun medzi jednotlivými snímkami v sekvencii sa odhaduje pomocou fázovej korelácie, a tieto obrazy sú potom fúzované do výsledného snímku s vysokým rozlíšením pomocou priemerovania a využitia superrozlišovacej techniky, presnejšie regularizácie pomocou bilaterálneho celkového rozptylu. Výsledné mediánové hodnoty skóre kvality získaných obrazov sú PIQUE 0.2600, NIQE 0.0701, a BRISQUE 0.3936 pre techniku priemerovania, a PIQUE 0.1063, NIQE 0.0507, and BRISQUE 0.1570 pre superrozlišovaciu techniku.
|
|
|
Segmentation of biological samples in cryo-electron microscopy images using machine learning methods
Sokol, Norbert ; Vičar, Tomáš (referee) ; Chmelík, Jiří (advisor)
Zobrazovanie pomocou kryo-elektrónovej mikroskopie má svoje nezastúpiteľné miesto v analýze viacerých biologických štruktúr. Lokalizácia buniek kultivovaných na mriežke a ich segmentácia voči pozadiu alebo kontaminácii je základom. Spolu s vývojom viacerých metód hlbokého učenia sa podstatne zvýšila úspešnosť úloh sémantickej segmentácie. V tejto práci vyvinieme hlbokú konvolučnú neurónovú sieť pre úlohu sémantickej segmentácie buniek kultivovaných na mriežke. Dátový súbor pre túto prácu bol vytvorený pomocou dual-beam kryo-elektónového mikroskopu vyvinutého spoločnosťou Thermo Fisher Scientific Brno.
|
|
|
Utilization of convolutional neural networks for segmentation of mouse embryos cartilaginous tissue in micro-CT data
Poláková, Veronika ; Vičar, Tomáš (referee) ; Chmelík, Jiří (advisor)
Automatická segmentace biologických struktur v mikro-CT datech je stále výzvou, protože často objekt zájmu (v našem případě obličejová chrupavka) není charakterizovaný unikátním jasem či ostrými hranicemi. V posledních letech se konvoluční neuronové sítě (CNNs) staly mimořádně populárními v mnoha oblastech počítačového vidění. Konkrétně pro segmentaci biomedicínských obrazů je široce používaná architektura U-Net. Nicméně v případě mikro-CT dat vyvstává otázka, zda by nebylo výhodnější použít 3D CNN. Diplomová práce navrhla CNN architekturu založenou na síti V-Net včetně metodologie pro předzpracování a postprocessing dat. Základní architektura byla dále optimalizována pomocí pokročilých architektonických modifikací jako jsou pyramidální modul dilatovaných konvolucí (ASPP modul), škálovatelná exponenciálně-lineární jednotka (SELU aktivační funkce), víceúrovňová kontrola učení (multi-output supervision) či bloky s hustými propojeními (Dense blocks). Pro učení sítě byly použity moderní přístupy jako zahřívání kroku učení (learning rate warmup) či AdamW optimalizátor. I přes to, že 3D CNN v úloze segmentace obličejové chrupavky nepřekonala U-Net, optimalizace zvýšila medián Dice koeficientu z 69,74 % na 80,01 %. Používání těchto pokročilých architektonických modifikací v dalším výzkumu je proto vřele doporučováno, jelikož můžou být přidány do libovolné architektury typu U-Net a zároveň výrazně zlepšit výsledky.
|
|
|
Detection of foreign objects in X-ray chest images using machine learning methods
Matoušková, Barbora ; Kolář, Radim (referee) ; Chmelík, Jiří (advisor)
Foreign objects in Chest X-ray (CXR) cause complications during automatic image processing. To prevent errors caused by these foreign objects, it is necessary to automatically find them and ommit them in the analysis. These are mainly buttons, jewellery, implants, wires and tubes. At the same time, finding pacemakers and other placed devices can help with automatic processing. The aim of this work was to design a method for the detection of foreign objects in CXR. For this task, Faster R-CNN method with a pre-trained ResNet50 network for feature extraction was chosen which was trained on 4 000 images and lately tested on 1 000 images from a publicly available database. After finding the optimal learning parameters, it was managed to train the network, which achieves 75% precision, 77% recall and 76% F1 score. However, a certain part of the error is formed by non-uniform annotations of objects in the data because not all annotated foreign objects are located in the lung area, as stated in the description.
|
guest ::
RSS feed.