|
|
Detekce onemocnění způsobených diabetem na snímcích sítnice
Zapletal, Michal ; Semerád, Lukáš (oponent) ; Kavetskyi, Andrii (vedoucí práce)
Cílem této práce je návrh a implementace algoritmu na detekci exsudátů a mikroaneurysmat na barevných snímcích sítnice. Tato onemocnění jsou prvními projevy diabetické retinopatie a včasné diagnostikování je stěžejní. Navržený algoritmus začíná předzpracováním, kde je odstraněno přebytečné pozadí, zvýšen kontrast pomocí CLAHE a histogram stretching a filtrování šumu. Lokalizace optického disku je založena na iterativním odstranění pozadí a řádkových a sloupcových rozptylech. Detekce exsudátů probíhá na základě gamma korekce, prahování a odstranění optického disku. Detekce mikroaneurysmat je založena na morfologických operacích, hit-or-miss transformaci a principal component analysis (PCA). Testováno bylo celkem na 4 datových sadách s přesností 73,1 % pro exsudáty a 73,3 % pro mikroaneurysmata. Výsledný program by mohl pomoci k automatické detekci onemocnění, které by mohlo ušetřit samotným lékařům čas.
|
|
|
Aplikace pro autentizaci osob na základě snímků sítnice
Moncz, Oliver ; Goldmann, Tomáš (oponent) ; Kavetskyi, Andrii (vedoucí práce)
Tato práce se zaobírá problémem autentizace osob na základě snímků sítnice. Hlavním cílem je navrhnout algoritmus, který dokáže porovnat snímek sítnice s registrovanými snímky v databázi. Výstupem je potom určení totožnosti s mírou jistoty. Dalším cílem bylo vytvořit aplikaci, která přes jednoduché grafické uživatelské prostředí umožní provádět zmíněné operace. Nakonec jsou vyhodnoceny výsledky a porovnány s již existujícími řešeními. Navržený autentizační systém dosáhl průměrné přesnosti 72,46 % pro datasety DRIVE a STARE, pro dataset FIRE dosáhl 78,9 %.
|
|
|
Generování obrázků sítnice s omezeným množstvím trénovacích dat
Senichak, Yahor ; Semerád, Lukáš (oponent) ; Kavetskyi, Andrii (vedoucí práce)
Účelem této studie je prozkoumat pokrok a aplikaci počítačového vidění a generativních adversariálních sítí (GAN 3.1) v diagnostice a studiu onemocnění očního pozadí. Zvláštní pozornost je věnována nejnovějším pokrokům v oblasti syntézy medicínských dat a vývoji vlastního algoritmu. Byla provedena implementace nejnovějších pokroků v oblasti architektury hlubokého učení U-GAT-IT [22], která zahrnuje dva páry hlubokých neuronových sítí (dva generátory a dva diskriminátory). Tato implementace prošla tréninkem po dobu přibližně 300 000 iterací, během kterých byly dosaženy pozitivní výsledky. Byla zaznamenána dynamika procesu tréninku a provedeny testy, které prokázaly schopnost generovat kvalitní syntetické snímky očního pozadí nezávisle na vstupních datech.
|
|
|
Semantic Segmentation of Pathologies in Retinal Images
Čabala, Roman ; Orság, Filip (oponent) ; Kavetskyi, Andrii (vedoucí práce)
The thesis aimed to segment pathology visible in the retina images, such as exudates, hemorrhages, and microaneurysms. For that, two well known deep neural networks, named U-Net and SegFormer, were trained. To test the performance of the models, one publicly available dataset was used, named IDRiD. Obtained results were reported after analyzing different factors which affected the performance of the models U-Net and Segformer.
|
|
|
Segmentace žil a tepen v sítnicových snímcích
Sedlář, Radek ; Kanich, Ondřej (oponent) ; Kavetskyi, Andrii (vedoucí práce)
Tato práce se zaměřuje na úvod do problematiky segmentace žil a tepen ze sítnicových snímků. Práce obsahuje srovnání nejpoužívanějších metod s jejich klady a zápory. Dále je navržena vlastní metoda pro segmentaci a rozdělení na žíly a tepny. Práce také obsahuje detailní popis implementace navržené metody a shrnutí jejich výsledků.
|
|
|
Retinal Blood Vessel Segmentation
Nemčeková, Barbora ; Drahanský, Martin (oponent) ; Kavetskyi, Andrii (vedoucí práce)
The retina is an important part of the human eye. Incident light is processed here and moreover, it plays an essential role in diagnosing various diseases. Its early diagnostics can prevent serious consequences, such as blindness. The most common retinal diseases include diabetic retinopathy, as a consequence of diabetes, and age-related macular degeneration. Automatic retinal vessels segmentation facilitates and speeds up the work of an ophthalmologist. This work focuses on retinal blood vessels segmentation and its further classification into thin and thick vessels. The proposed algorithm is based on morphological operations, k-means clustering, and Frangi's algorithm. Evaluation of the proposed method was performed on two publicly available datasets - Drive and HRF. The results obtained represent 69,89 % for sensitivity, 91,55 % for specificity, and 88,63 % for accuracy. Division of the vessels shows, that on average 21,50 % vessels pixels belong to thick vessels and the rest 78,50 % belong to thin vessels.
|
|
|
Laptop Touchpad Palm Detection with AI/ML
Menzyński, Mark Alexander ; Kavetskyi, Andrii (oponent) ; Drahanský, Martin (vedoucí práce)
The situation about palm rejection for laptops is less than ideal. Most research focuses on touchscreens, and there is minimal research on touchpads. Some research is possibly done privately in laptop manufacturer companies, but the technology is lacking behind regardless. This thesis explores several shallow and deep machine learning models and finds their accuracy to be very much sufficient. In addition, a real-time proof of concept is implemented to demonstrate the model's capabilities.
|
|
|
Detekce patologií na snímcích sítnice oka
Hurta, David ; Drahanský, Martin (oponent) ; Kavetskyi, Andrii (vedoucí práce)
Cílem této práce je návrh a implementace algoritmu detekce mikroaneuryzmat, tvrdých exsudátů a měkkých exsudátů na barevných snímcích sítnice. Byl navržen algoritmus detekce objektů na základě hlubokého učení. Byla použita architektura Faster R-CNN s příznakovou pyramidovou sítí a předem vyučenou reziduální sítí společně s různými metodami transformace dat. Bylo využito celkově šesti datových sad snímků sítnic k trénování, ověřování a testování modelů. Vyučené modely dosáhly během testování hodnoty 0.46 střední průměrné přesnosti (mAP) při detekci mikroaneuryzmat a hodnoty 0.48 mAP během detekce exsudátů. Výsledné modely byly porovnány s publikovanými články a umožňují s chvályhodnou přesností detekovat dané patologie.
|
|
|
Semantic Segmentation of Pathologies in Retinal Images
Čabala, Roman ; Orság, Filip (oponent) ; Kavetskyi, Andrii (vedoucí práce)
The thesis aimed to segment pathology visible in the retina images, such as exudates, hemorrhages, and microaneurysms. For that, two well known deep neural networks, named U-Net and SegFormer, were trained. To test the performance of the models, one publicly available dataset was used, named IDRiD. Obtained results were reported after analyzing different factors which affected the performance of the models U-Net and Segformer.
|
|
|
Automatizované hodnocení kvality snímků sítnice pomocí strojového učení
Mikheda, Vladislav ; Vaško, Marek (oponent) ; Kavetskyi, Andrii (vedoucí práce)
Tato práce se zaměřuje na řešení problému hodnocení kvality snímků sítnice. Při diagnostice onemocnění lékaři se zaměřují na kvalitu jednotlivých anatomických struktur sítnice, podle kterých probíhá diagnostika. Cílem této práce je navrhnout a implementovat program pro automatizované hodnocení kvality snímků sítnice na základě anatomických struktur pomocí neuronových sítí. K řešení výše uvedeného problému bylo vyvinuto a implementováno celkem šest neuronových sítí. Tři z nich měly za úkol segmentovat jednotlivé anatomické struktury sítnice a tři další měly vyhodnocovat snímky na základě kvality segmentované struktury. Bylo provedeno jak testování každé neuronové sítě zvlášť, tak testování celého programu. Model umožňuje hodnocení kvality snímků sítnice na základě anatomických struktur.
|
host ::
RSS.