|
|
Pokročilá analýza charakteristických příznaků trombů v multifázických CT datech
Plocková, Veronika ; Nemčeková, Petra (oponent) ; Jakubíček, Roman (vedoucí práce)
Tato diplomová práce se zabývá pokročilou analýzou trombu v multifázických CT datech. V první části je zpracována rešerše na téma cévní mozkové příhody, její léčby a vlivu struktury trombu na výslednou úspěšnost léčby. Dále se v rešerši objevuje stručná anatomie mozku a metody extrakce radiomických příznaků a následné možné metody analýzy trombu z obrazových dat. V poslední části teoretické práce jsou shrnuty extrahované příznaky použíté v praktické části práce a metody jejich výpočtu. Následuje stručné představení statistických metod použitých taktéž v praktické části práce. Praktická část se zaměřuje na extrakci statistických a texturních příznaků z CT dat. Experimenty se zabývají analýzou extrahovaných příznaků, diskriminačními vlastnostmi trombu a pozadí a navrhováním přístupu k segmentaci trombu z CT dat. Na závěr jsou výsledky experimentů diskutovány.
|
|
|
Using unlabeled data for retinal segmentation
Shemshur, Andrii ; Jakubíček, Roman (oponent) ; Vičar, Tomáš (vedoucí práce)
This bachelor's thesis is concerned with the development and evaluation of advanced methods for medical image segmentation in the context of limited training data. The study examines supervised learning techniques employing Convolutional Neural Networks (CNNs), transfer learning with pre-trained models, and semi-supervised learning strategies. A supervised convolutional neural network (CNN) model based on the U-Net architecture was employed as the baseline, achieving a Dice coefficient of 77.6\% and an intersection over union (IoU) of 63.4%. The application of transfer learning using a ResNet34 encoder pre-trained on ImageNet led to a notable improvement in performance, with a Dice coefficient of 81.9%, an IoU of 69.3%, and an accuracy of 96.7%. Furthermore, semi-supervised learning strategies, including pseudo-labeling and denoising pretraining, were employed to enhance the model's performance. The pseudo-labeling approach yielded a Dice coefficient of 81.7% and an IoU of 69.1%, thereby demonstrating the efficacy of leveraging unlabeled data. The denoising pretraining approach demonstrated robust performance, achieving a Dice coefficient of 80.3% and an IoU of 67.0%, even in the presence of noisy and unlabeled data. These outcomes underscore the potential of transfer learning and semi-supervised methods to enhance segmentation accuracy in medical image analysis. They provide a robust foundation for future research in this field.
|
|
|
Deep learning-based noise reduction in X-ray images
Říhová, Barbora ; Jakubíček, Roman (oponent) ; Zemek, Marek (vedoucí práce)
X-ray imaging technology is the foundation for exploring the internal structure of a wide range of objects, however the results can be compromised by noise. This thesis is focused on the removal of noise in X-ray projections using deep learning, that has the capability to adapt to a specific task. The thesis contains a theoretical investigation focusing on the areas of X-ray production and detection, noise in X-ray images, and neural networks. A special chapter is devoted to the description of the chosen solution, which is performed by creating a dataset partially consisting of modeled X-ray projections with the subsequent incorporation of noise corresponding to noise model in real images and partly from X-ray projection series. The RIDNet convolutional neural network architecture was selected for implementation, since it shows good result for denoising task. Three models were trained using different parts of the dataset. The best performance was observed for models, that used real data for training. Their performance is comparable to traditional methods such as BM3D.
|
|
|
Methods of object skeletonization in biomedical images
Matejčík, Martin ; Odstrčilík, Jan (oponent) ; Jakubíček, Roman (vedoucí práce)
This thesis deals with the skeletonization of binary objects in 2D images. It describes the principles, approaches and uses of skeletonization. The functioning of the Lee, Zhang, Guo-Hall, and Medial Axis Transform methods is also theoretically explained. A custom image dataset consisting of biomedical and non-biomedical images of different topological levels was created. The image dataset was subjected to skeletonization by all of the selected methods. Experiments were designed to investigate the behavior of skeletonization under the influence of boundary noise and rotation. New modified images from the original dataset were created for individual experiments. The results indicated a degraded quality of skeletons from images affected by medium and high boundary noise. The methods showed robustness to rotation only at rotation angles of 90, 180 and 270 degrees, with the best results produced by Medial axis transform method. The calculation time of individual methods was also monitored depending on the increasing number of pixels in the image. The Guo-Hall method produced interesting results, but was also the slowest.
|
|
|
Deep neural network learning methods with limited datasets
Németh, Filip ; Vičar, Tomáš (oponent) ; Jakubíček, Roman (vedoucí práce)
The master thesis aims to investigate the effectiveness of deep neural networks in image processing with limited training data. As part of the work, the effects of various techniques and approaches on the learning of these networks were analyzed, including transfer learning, data augmentation, and neural style transfer method. Experimental results suggest that transfer learning using pre-trained weights from large datasets such as ImageNet is effective in improving results on limited data, achieving high F1-scores. The use of different forms of data augmentation can lead to variable results, where it provides different advantages and disadvantages that have a significant impact on the success and efficiency of the models. In general, the method using a neural style transfer network does not yield significant improvements and proved less effective for dataset with a large diversity of perspectives and geometric features.
|
|
|
Implementace algoritmu pro detekci trombů v multifázických CT datech
Rudol, Filip ; Chmelík, Jiří (oponent) ; Jakubíček, Roman (vedoucí práce)
Klíčovým faktorem pro úspěšnou léčbu ischemické mozkové příhody je včasná diagnostika. Software pro automatickou detekci trombů může být pomocným nástrojem pro radiology. Bakalářská práce se zabývá detekcí trombů v multifázických CT datech. Hlavním cílem práce bylo detekovat tromby a vytvořit prototyp detekčního softwaru. Algoritmus umožňuje tromby také segmentovat. Navržený přístup je plně automatický. Úspěšnost algoritmu bylo možné objektivně ohodnotit pomocí dostupných manuálních anotací. Praktická část byla realizována v programovacím prostředí MATLAB R2023b. V teoretické části byla vypracována rešerše na danou problematiku.
|
|
|
Analýza trombu ve vícefázických CT datech u ischemické mozkové příhody
Mikešová, Tereza ; Holeček, Tomáš (oponent) ; Jakubíček, Roman (vedoucí práce)
Diplomová práce se zabývá analýzou trombů v mozkových vícefázických CT datech. V teoretické části práce je vypracována rešerše metod zejména segmentace trombů. Dále je v této části shrnutá anatomie mozkových tepen a přiblížena cévní mozková příhoda. Stručně jsou popsány vybrané metody z oblasti zpracování obrazu. Výsledkem praktické části je porovnání metod segmentace trombů. Samotné segmentaci předcházelo předzpracování dat, které je v práci popsáno, a vytvoření manuální anotační databáze. Nejlepší implementovanou metodou se ukázala metoda adaptivního prahování, která dosáhla Dice skóre 0,4555. Vhodným zkombinováním všech metod bylo dosaženo finálního Dice skóre 0,5145. Ze segmentovaných objemů byly následně vypočítány parametry trombů. Mediánová hodnota průměrné intenzity dosáhla na 51,55 HU, medián délky byl 15,16 mm a mediánový objem byl stanoven na 65,34 mm3. Následná korelační analýza neukázala žádný významný vztah mezi odvozenými parametry.
|
|
|
Segmentace žeber v hrudních CT skenech
Kašík, Ondřej ; Kolář, Radim (oponent) ; Jakubíček, Roman (vedoucí práce)
Tato práce se zabývá návrhem a realizací algoritmu pro segmentaci žeber z hrudních CT dat. Pro segmentaci je zvolena metoda detekce středových linií žeber. Prvním krokem tohoto přístupu je extrakce středových linií kostí vstupních CT dat. Středové linie jsou rozděleny na krátká primitiva, která jsou poté klasifikována do dvou kategorií podle toho, zdali reprezentují středovou linii žebra či nikoliv. Následně se středové linie žeber stávají počátečními body metody narůstání oblastí v trojrozměrném prostoru, kterou je realizována finální segmentace žeber. V rámci práce byla manuálně anotována databáze 10 CT skenů, která byla následně využita pro validaci navrženého přístupu segmentace. Dosažená úspěšnost klasifikace primitiv je 96,7 %, úspěšnost segmentace žeber (Dice koeficient) je pak 86,8 %.
|
|
|
Identifikace 2D CT axiálních řezů pomocí konvolučních neuronových sítí
Vavřinová, Pavlína ; Harabiš, Vratislav (oponent) ; Jakubíček, Roman (vedoucí práce)
Tato práce se zabývá klasifikací 2D axiálních CT řezů pacientských dat do šesti kategorií. K tomuto záměru byla využita oblast konvolučních neuronových sítí. Pro snadnější porozumění této problematice jsou nejprve vysvětleny základy neuronových sítí obecně a poté principy hlubokého učení zahrnující konvoluční neuronové sítě. Pro účely identifikace axiálních řezů byla vybrána konkrétně síť AlexNet, která byla po uzpůsobení otestovaná na vytvořené datové sadě. Celková úspěšnost klasifikace dosáhla 86%, po finálních úpravách došlo k mírnému zlepšení, kdy identifikační schopnost činila 87%.
|
|
|
Analýza časového vývoje léčených nádorů páteře v CT datech
Nohel, Michal ; Jan, Jiří (oponent) ; Jakubíček, Roman (vedoucí práce)
Tato diplomová práce se zabývá časovým vývojem léčených nádorů páteře v CT datech. V teoretické části se zabývá anatomií, fyziologií a patofyziologií páteře a těl obratlů. Dále popisuje diagnostické a terapeutické možnosti detekce a léčby nádorů páteře. Její součástí je přehled současného stavu využití časové analýzy v onkologii. Jsou diskutovány problémy dostupných anotací a jsou vytvořeny nové databáze pro následnou analýzu. Dále je navržena metodologie časové analýzy podle tvarové charakterizace a velikosti postižení obratle. Na vytvořené databáze jsou aplikovány navržené metodické přístupy extrakce příznaků. Jejich volba a vhodnost je diskutována, včetně jejich potenciálu pro případné využití pro klinickou praxi sledování vývoje a odvozování charakteristických závislostí příznaků na prognóze pacienta.
|
host ::
RSS.