|
|
Segmentace polygonálního modelu
Švancár, Matúš ; Kodym, Oldřich (oponent) ; Španěl, Michal (vedoucí práce)
Táto bakalárska práca rozoberá a približuje problematiku segmentácie polygonálnych modelov. Prezentuje návrh interaktívnej metódy inšpirovanej metódou popísanou v článku Interactive Mesh Segmentation Based on Feature Preserving Harmonic Field. Metóda využíva graph-cut a je implementovaná vo forme webovej aplikácie. Aplikácia podporuje formáty .obj a .stl, umožňuje používateľovi načítať model, nekresliť po povrchu modelu náčrtky reprezentujúce popredie a pozadie, a spustiť segmentáciu. Po dokončení si môže používateľ výsledné modely stiahnuť, alebo pokračovať v segmentácii s jedným z nich.
|
|
|
Hluboké neuronové sítě pro analýzu medicínských obrazových dat
Szöllösi, Albert ; Kodym, Oldřich (oponent) ; Španěl, Michal (vedoucí práce)
Táto práca ponúka možné riešenie automatickej lokalizácie anatomických landmarkov v 3D dentálnych skenoch. Tieto skeny slúžia k uľahčeniu modelovania zubných koruniek a ortodontických aparátov pomocou špecializovaného softvéru. Predtým však musia byť anotované, aby softvér vedel určiť, kde sa jednotlivé zuby nachádzajú. Anotácia prebieha ručne, čo síce zaručuje presnosť, ale zaberá veľa času. Výsledok tejto práce by mohol spomínaný postup výrazne zjednodušiť aplikovaním hlbokého učenia. Lokalizácia landmarkov bola riešená pomocou konvolučnej neurónovej siete.
|
|
|
Uživatelské rozhraní informačního systému FIT
Vyroubal, Marek ; Kodym, Oldřich (oponent) ; Beran, Vítězslav (vedoucí práce)
Cílem této bakalářské práce je provést návrh a tvorbu uživatelského rozhraní (UI) informačního systému Fakulty informačních technologií VUT v Brně založený na analýze a uživatelském testování současného UI. Teoretická část pojednává o procesu tvorby webového rozhraní, uživatelsky zaměřeném návrhu, základních metodách návrhu uživatelského prožitku a o uživatelském testování UI. Práce se také zabývá implementací webového UI neboli webovým frontendem. Výstupem práce je uživatelský výzkum, následný návrh a implementace nového rozhraní informačního systému FIT na základě uživatelského testování současného informačního systému.
|
|
|
Segmentace hipokampu v MRI datech
Kodym, Oldřich ; Chmelík, Jiří (oponent) ; Walek, Petr (vedoucí práce)
Práce se zabývá využitím grafových metod pro segmentaci málo kontrastních obrazových dat, konkrétně pro segmentaci hipokampu ze snímků magnetické rezonance. Nejprve je uvedena základní problematika a terminologie teorie grafů. Následně je popsána me toda minimálního řezu grafem včetně algoritmů schopných tento minimální řez nalézt. Následuje popis její implementace pro segmentaci 2D a 3D obrazových dat. Metoda byla testována na zkušebních datech a poté implemetována jako modul pro software 3D Slicer. Zde byla testována na snímcích hipokampu zdravých pacientů stejně jako na pacientů trpících Alzheimerovou chorobou. Nastíněny jsou nejčastější problémy vyskytující se při segmentaci a možné postupy jejich řešení.
|
|
|
Segmentace zubních objemových dat
Berezný, Matej ; Kodym, Oldřich (oponent) ; Čadík, Martin (vedoucí práce)
Hlavným cieľom tejto práce bola segmentácia objemových CT dát za použitia neurónových sietí. Ako vedľajší produkt bol vytvorený nový dataset spolu s silnými aj slabými anotáciami a nástroj pre automatický preprocessing dát. Takisto bola overená možnosť využitia transfer learningu a viacfázového trénovania. Z mnohých vykonaných testov možno vyvodiť záver, že aj tranfer learning aj viacfázové trénovanie mali pozitívny vplyv na vývoj dice skóre v porovnaní so základnou použitou metódou či už pri silných, alebo slabých anotáciách.
|
|
|
Hluboké neuronové sítě pro analýzu medicínských obrazových dat
Bíl, Tomáš ; Kodym, Oldřich (oponent) ; Španěl, Michal (vedoucí práce)
Cílem této práce je vyvinout konvoluční neuronovou síť, která bude správně klasifikovat vhodnost rentgenových snímků pro účely kefalometrické analýzy. V rámci tohoto zadání byly vytvořeny 4 sítě, které byly natrénovány na datasetu. Jedná se 2 sítě typu VGG, jedna upravená síť UNet a jedna síť Resnet. Dataset byl vygenerován z ct snímků. Nejlepších výsledků dosáhla síť VGG se 4 bloky. Naměřená přesnost na testovacím datasetu je 97%.
|
|
|
Hluboké neuronové sítě pro analýzu medicínských obrazových dat
Dronzeková, Michaela ; Kodym, Oldřich (oponent) ; Španěl, Michal (vedoucí práce)
Cieľom tejto práce je využitie konvolučných neurónových sietí na klasifikáciu röntgenových snímok ľudského tela. Na tento účel boli vytvorené štyri neurónové siete, ktoré sa testujú na troch klasifikačných úlohách: klasifikácia bočnej a predozadnej snímky hrudníka, klasifikácia snímok do viacerých kategórií a klasifikácia chorôb na predozadnej snímke hrudníka. Najlepšie výsledky dosiahli siete ResNet a SEResNet. Pri prvej úlohe dosiahla SEResNet presnosť 99,49%, pri druhej mala najlepšie výsledky ResNet s presnosťou 94,97% a v prípade tretej úlohy dosiahla najlepší výsledok opäť SEResNet, 31,53% s použitím metriky F1 measure.
|
|
|
Interaktivní segmentace 3D CT dat s využitím hlubokého učení
Trávníčková, Kateřina ; Hradiš, Michal (oponent) ; Kodym, Oldřich (vedoucí práce)
Tato práce se zaměřuje na možnosti využití neuronových sítí pro segmentaci CT dat s omezenými možnostmi použití anotovaných dat. Hlavním prostředkem pro zlepšení kvality segmentace kostí pomocí modelu trénovaného na malé datové sadě je zde přidání uživatelské interakce. Dále jsou zkoumány možnosti využití transfer learningu v podobě předtrénování na interaktivní segmentaci na jiné než cílové datové sadě a v podobě předtrénování na restauraci dat pomocí cílové datové sady. Všechny zkoumané metody přinášejí určité zlepšení oproti baseline metodě, kterou je použití datově specifického automatického segmentačního modelu. Při trénování s velmi malými trénovacími množinami dochází ke zvýšení hodnoty Dice skóre až o desítky procent. Praktické uplatnění těchto metod může být například v jejich použití coby nástroje pro urychlení tvorby nového segmentačního datasetu.
|
|
|
Analýza rozložení textu v historických dokumentech
Palacková, Bianca ; Hradiš, Michal (oponent) ; Kodym, Oldřich (vedoucí práce)
Cieľom tejto diplomovej práce je navrhnúť a implementovať algoritmus na analýzu rozloženia textu v historických dokumentoch. Pri riešení tohto problému bola využitá neurónová sieť, konkrétne architektúra Faster-RCNN. Na trénovanie a otestovanie algortimu bol využitý dataset so 6 135 obrázkami dobových novín. V rámci práce boli natrénované 4 modely neurónových sietí: model na detekciu slov, nadpisov, textových regiónov a model detekujúci slová na základe ich polohy v riadku. Výstupy z týchto sietí boli vhodne spracované, s cieľom detekovať rozloženie textu na vstupnom obrázku. Na evaluáciu bola použitá upravená metrika F-score, na základe ktorej algoritmus dosiahol presnosť takmer 80 %.
|
|
|
Material Artefact Generation
Rončka, Martin ; Španěl, Michal (oponent) ; Kodym, Oldřich (vedoucí práce)
Even in the age of big data, some high-quality data sets of images with distinct artefacts are hard to obtain, either due to the source being limited or due to annotation difficulty. This applies for multiple areas such as engineering and radiology. Current state of the art methods for classification and defect detection require large well-balanced data sets to be feasible. For small data sets we face the issue of overfitting and data paucity which cause models to misclassify data in favor of over-represented classes. Part of this work deals with finding a suitable method for generating realistic images for given datasets and experiments with mitigating overfitting and data paucity by generating new images based the original dataset using Conditional Generative Adversarial Networks (CGAN) and heuristic annotation generator. Three datasets were used overall during this project. Threads dataset was used during the image generation experiments phase due to it's complexity in structure. Subsequently, two additional CGAN networks have been trained, one for Ceramics and the other for brain scans from BraTS dataset. Ceramics and BraTS was later used to evaluate the effect of generated data on training classification and segmentation networks.
|
host ::
