|
|
Klasifikace patologických obratlů v CT snímcích páteře s využitím metod strojového učení
Tyshchenko, Bohdan ; Ronzhina, Marina (oponent) ; Chmelík, Jiří (vedoucí práce)
Tato diplomová práce se zaměřuje na detekci patologických obratlů v CT snímcích páteře s využitím metod strojového učení. V rámci teoretické části je popsána anatomie páteře, výskyt patologií v CT obrazových datech, je vypracován přehled existujících metod určených pro automatickou detekci patologických obratlů. Praktická část je věnována návrhu počítačového systému, který realizuje detekci patologie obratlů a určuje jejich typ. Jako klasifikátor se používá neuronová síť. Aplikace analýzy hlavních komponent (PCA) zajišťuje redukci počátečního počtu příznaků. Pro řešení daného zadání byla získána reálná data. Závěr obsahuje hodnocení dosažených výsledků.
|
|
|
Segmentace chrupavčité tkáně ve 3D mikro CT snímcích myších embryí
Matula, Jan ; Vičar, Tomáš (oponent) ; Chmelík, Jiří (vedoucí práce)
Manuální segmentace chrupavčité tkáně v mikro CT snímcích myších embryí je velice časově náročná a značně zvyšuje čas potřebný pro výzkum vývoje obličejové části lebky savců. Jako řešení tohoto problému se jeví využití automatických segmentačních algoritmů. V této práci navržena plně automatická segmentační metoda využívající konvoluční neuronovou síť naučenou na manuálně segmentovaných obrazech. Architektura této konvoluční neuronové sítě vychází z architektury U-Net, jejíž enkóderová část je nahrazena za enkóderovou část klasifikační neuronové sítě VGG16 s váhami byly předučenými na databázi označených obrazů ImageNet. Bylo dokázáno, že navržený postup segmentace dosahuje při porovnání s obrazy manuálně segmentovanými expertem v průměru Dice koeficientu 0,8731 ± 0,0326.
|
|
|
Segmentace měkkých tkání v obličejové části myších embryí v mikrotomografických datech
Janštová, Michaela ; Harabiš, Vratislav (oponent) ; Chmelík, Jiří (vedoucí práce)
Tato diplomová práce se zabývá segmentací měkkých tkání v obličejové části myších embryí v programovém prostředí Matlab. Segmentace měkkých tkání u myších embryí nebyla doteď plně automatizovaná a každý konkrétní úkol vyžaduje specifické řešení. Vyřešení dílčích problémů zefektivní a zrychlí tvorbu 3D modelu a takto poskytnou cenná data vývojovým biologům. Je zde popsána problematika barvení vzorků a segmentačních technik. Na základě dostupné literatury byly otestovány metody otsu prahování, narůstání oblastí, k-means shlukování a segmentace pomocí atlasů. V závěru práce je provedeno jejich testování a statistické vyhodnocení na 3D mikrotomografických obrazových datech.
|
|
|
Detekce biologických struktur ve snímcích z TEM mikroskopu
Cikánek, Martin ; Chmelík, Jiří (oponent) ; Potočňák, Tomáš (vedoucí práce)
Cílem první části této diplomové práce je vysvětlit teoretické základy transmisní elektronové mikroskopie and zmínit fundamentální části transmisních elektronových mikroskopů. Další část této práce je zaměřena na možné metody segmentace obrazu, využití neuronových sítí při detekci objektů v obraze a na následné shlukování výsledků. Teoretická část práce je zakončena vysvětlením některých již publikovaných metod automatické detekce biologických struktur v obrazech z mikroskopu a teoretickým návrhem algoritmu, který bude následně vypracován. Na začátku praktické části je vysvětlen postup trénování neuronových sítí za účelem automatické detekce biologických struktur v obraze. Poté následuje zhodnocení výsledků dosažených těmito sítěmi. Následně jsou na tyto výsledky aplikovány metody shlukové analýzy, jejichž výsledky jsou porovnávány mezi sebou a taktéž s výsledky dosaženými již publikovanými metodami.
|
|
|
Identifikace typu obratlů z CT dat s využitím metod strojového učení
Matoušková, Barbora ; Kolář, Radim (oponent) ; Chmelík, Jiří (vedoucí práce)
Identifikace typu obratlů pomocí strojového učení je důležitý úkol pro usnadnění práce lékařů. Tento úkol je znesnadněn mnoha faktory. Za prvé se CT snímky páteře obvykle provádí u pacientů s patologiemi jako jsou léze, nádory, kyfóza, lordóza, skolióza či u pacientů s různými implantáty, které způsobují ve snímcích artefakty. Dále jsou si sousední obratle velmi podobné, což také tento úkol komplikuje. Tato práce se zabývá klasifikací již vysegmentovaných obratlů do skupin krční, hrudní a bederní. Pro klasifikaci je využita metoda podpůrných vektorů (SVM) a konvoluční neuronové sítě (CNN) AlexNet a VGG16. Dosažené výsledky jsou v závěru porovnány.
|
|
|
Algoritmy pro rekonstrukci obrazu z projekcí
Zemek, Marek ; Chmelík, Jiří (oponent) ; Mézl, Martin (vedoucí práce)
Práce je zaměřena na problematiku rekonstrukce obrazu z jeho projekcí a na hodnocení kvality této rekonstukce pomocí různých typů algoritmů. Obzvláštní pozornost je věnována aplikaci těchto algoritmů v lékařské zobrazovací modalitě CT. Úvodní část se zabývá teoretickým rozborem algoritmů používaných v současnosti. Následně je popsána realizace několika jednoduchých rekonstrukčních metod v prostředí Matlab, jejich aplikace na simulovaná i reálná data a následné zhodnocení a porovnání z hlediska kvality rekonstrukce a výpočetní náročnosti.
|
|
|
Využití optimalizačních metod pro segmentaci MRI dat
Olešová, Kristína ; Mézl, Martin (oponent) ; Chmelík, Jiří (vedoucí práce)
Práca sa zaoberá segmentáciou mozgových tkanív z MRI obrazových dát a jej implementáciou v programe MATLAB. Je popísaná problematika rôznych segmentačných techník a najmä prístup k segmentácii ako optimalizačnému problému. Samotné obrazové data sú segmentované pomocou rozdielnych metaheuristických algoritmov. Tento prístup bol vybratý na základe informácií z posledných odborných publikácii, kde sa vyzdvihovala jeho výpočetná rýchlosť a univerzálnosť. Táto práca sa snaží tieto tvrdenia dokázať na segmentovaní obrazov z mozgu s rôznymi tipmi, počtom a štádiami choroby a fázami liečenia mozgových nádorov.
|
|
|
Using advanced segmentation methods for images from TEM microscopes
Mocko, Štefan ; Chmelík, Jiří (oponent) ; Potočňák, Tomáš (vedoucí práce)
This master‘s thesis deals with the use of a convolutional neural networks for the segmentation task on images from transmission electron microscope. It also describes chosen neural network topology - U-NET, used augmentation techniques and programming environment. ThermoFisher Scientific (formerly FEI Czech Republic s.r.o.) provided data for this thesis. Obtained segmentation results are presented in the form of curves (ROC, PRC) and numerical values (ARI, DSC, Confusion matrices). Chosen U-NET topology achieved excellent results in the field of pixel-wise segmentation, and hopefully, these results will serve as a starting point for internal company research.
|
|
|
Metody hlubokého učení pro zpracování obrazů
Křenek, Jakub ; Chmelík, Jiří (oponent) ; Kolář, Radim (vedoucí práce)
Tato diplomová práce se zabývá metodami hlubokého učení pro rozpoznávání obrazů přes historii po vývoj moderních metod. Hlavní důraz je kladen na konvoluční neuronové sítě a na nich postavené modely určené pro klasifikaci, detekci a segmentaci obrazu. Metody jsou následně využity pro praktickou aplikaci počítání projíždějících automobilů na snímcích z dopravní kamery. Po otestování dostupných modelů byla použita architektura sítě YOLOv2, která byla přetrénována na vlastní sadě trénováních dat. Součástí aplikace je i přidání sledovacího algoritmu SORT.
|
|
|
Tvarová analýza obrazových dat
Kylián, Jakub ; Harabiš, Vratislav (oponent) ; Chmelík, Jiří (vedoucí práce)
Bakalářská práce se zabývá tvarovou analýzou obrazových dat, popisuje tedy metody, techniky a postupy, které k takové analýze vedou. Obsah práce je rozdělen do tří kapitol – Teoretická, řešení studentské práce a závěr. V části teorie jsou popsány metody, které jsou následně využity v části řešení, ale i obecná teorie přímo související s tématem. Pravidlem je tedy, že použitá metoda v části řešení je popsána v části teoretické do detailů, nicméně tato skutečnost nemusí nutně platit i naopak. V návaznosti na kapitolu teoretickou je řešení studentské práce. V kapitole řešení studentské práce je prezentován problém, který je, díky znalostem z teorie, vyřešen. Řešení sestává z více analytických procesů a patřičných příprav, které jsou v této části zcela jasně definovány. Poslední část, závěr, slouží jako shrnutí přípravy, průběhu a zhodnocení řešení analýzy. Zároveň může posloužit jako prostor pro prezentaci nápadů, analogií, neprezentovaných metod a jiných postupů, které by mohly mít kladný či záporný vliv na výsledek práce, tedy i na její závěr.
|
host ::
RSS.