|
|
Segmentace medicínských obrazů s využitím grafové reprezentace
Kozlová, Dominika ; Jan, Jiří (oponent) ; Jakubíček, Roman (vedoucí práce)
Tato práce se zabývá grafovou metodou segmentace obrazu a jejím zdokonalením prostřednictvím znalosti tvaru objektu pro tvorbu architektury grafu (šablony). Popsány jsou základy teorie grafů, ze které grafové segmentační metody vychází. Navržený segmentační algoritmus byl realizován ve 2D provedení s grafickým uživatelským prostředím v MATLABu. Pro segmentaci objemových dat byla metoda rozšířena do 3D. Implementovaná metoda byla testována na simulovaných datech a na reálných CT a MRI snímcích obratlů a mozku. Získané výsledky byly zhodnoceny a porovnány s původní grafovou metodou bez využití šablony.
|
|
|
Detekce anatomických struktur v CT datech s využitím konvolučních neuronových sítí
Kozlová, Dominika ; Jan, Jiří (oponent) ; Jakubíček, Roman (vedoucí práce)
Tato diplomová práce se zabývá problematikou detekce anatomických struktur v medicínských obrazech s využitím konvolučních neuronových sítí (CNN). Nejprve jsou popsány metody strojového učení, konvoluční neuronové sítě a vybrané přístupy k detekci s využitím CNN. V rámci práce byla vytvořena databáze anotovaných CT snímků deseti anatomických struktur (hlava, srdce, aorta, levá a pravá plíce, páteř, játra, levá a pravá ledvina, slezina). Dále byla navržena metoda umožňující jejich detekci, která obsahuje dva postupy získání oblastí ze snímku, CNN a závěrečné zpracování pro získání výsledku detekce. Navržený algoritmus byl implementován v programovacím jazyce Python s využitím knihovny TensorFlow. Získané výsledky validace sítě a výsledky detekce jsou uvedeny a diskutovány v poslední kapitole.
|
|
|
Detection Of Anatomical Structures In Ct Data
Using Convolutional Neural Networks
Kozlová, Dominika
This paper deals with a detection of anatomical structures in medical images using convolutional neural networks (CNN). The designed algorithm contains 2 methods for region proposals and CNN for their classification into categories. Output of the CNN is then postprocessed to obtain the detection result. Categories for detection are head, spine, heart, left and right lung, aorta, liver, left and right kidney, spleen and background. For training and validation of the network were created 2 sets of CT data with annotated areas of selected structures.
|
|
|
Medical Image Segmentation Based on Graph Cut with Shape Prior
Kozlová, Dominika
This paper deals with a graph-based image segmentation and its improvement by using the information about the shape of the object for creating specific graph architecture (template). Improved method allows the cut to prefer more complicated structures, especially when the image contains a lot of noise and the object is hardly indistinguishable from the background. Algorithm was tested on simulated data and real CT and MRI images of vertebra and brain in 2D. Method was also extended to 3D further purposes.
|
|
|
Detekce anatomických struktur v CT datech s využitím konvolučních neuronových sítí
Kozlová, Dominika ; Jan, Jiří (oponent) ; Jakubíček, Roman (vedoucí práce)
Tato diplomová práce se zabývá problematikou detekce anatomických struktur v medicínských obrazech s využitím konvolučních neuronových sítí (CNN). Nejprve jsou popsány metody strojového učení, konvoluční neuronové sítě a vybrané přístupy k detekci s využitím CNN. V rámci práce byla vytvořena databáze anotovaných CT snímků deseti anatomických struktur (hlava, srdce, aorta, levá a pravá plíce, páteř, játra, levá a pravá ledvina, slezina). Dále byla navržena metoda umožňující jejich detekci, která obsahuje dva postupy získání oblastí ze snímku, CNN a závěrečné zpracování pro získání výsledku detekce. Navržený algoritmus byl implementován v programovacím jazyce Python s využitím knihovny TensorFlow. Získané výsledky validace sítě a výsledky detekce jsou uvedeny a diskutovány v poslední kapitole.
|
|
|
Segmentace medicínských obrazů s využitím grafové reprezentace
Kozlová, Dominika ; Jan, Jiří (oponent) ; Jakubíček, Roman (vedoucí práce)
Tato práce se zabývá grafovou metodou segmentace obrazu a jejím zdokonalením prostřednictvím znalosti tvaru objektu pro tvorbu architektury grafu (šablony). Popsány jsou základy teorie grafů, ze které grafové segmentační metody vychází. Navržený segmentační algoritmus byl realizován ve 2D provedení s grafickým uživatelským prostředím v MATLABu. Pro segmentaci objemových dat byla metoda rozšířena do 3D. Implementovaná metoda byla testována na simulovaných datech a na reálných CT a MRI snímcích obratlů a mozku. Získané výsledky byly zhodnoceny a porovnány s původní grafovou metodou bez využití šablony.
|
host ::
RSS.