|
|
Hluboké neuronové sítě pro analýzu medicínských obrazových dat
Trávníčková, Kateřina ; Hradiš, Michal (oponent) ; Španěl, Michal (vedoucí práce)
Tato bakalářská práce se zabývá analýzou medicínských objemových dat pomocí konvolučních neuronových sítí. Vstupem analýzy jsou CT snímky lidských končetin, výstupem pak vysegmentované kontury dlouhých kostí, humeru a tibie. Cílem práce je nalezení vhodného nastavení konvoluční neuronové sítě pro co nejpřesnější výstup analýzy. Jako metrika úspěšnosti byla zvolena plocha pod Precision-Recall křivkou (AUC). Nejlepší dosažená úspěšnost se pohybuje kolem 88 % (0.8778 AUC). Pro implementaci řešení byl použit framework Caffe, resp. caffe modul pro skriptovací jazyk python.
|
|
|
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.
|
|
|
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.
|
|
|
Vliv praxe na změnu pracovní motivace a identifikace se sociální rolí sestry
Trávníčková, Kateřina ; Štefančíková, Mariana (vedoucí práce) ; Vaňková, Dana (oponent)
Autor: Kateřina Trávníčková Instituce: Ústav sociálního lékařství LF UK v Hradci Králové Oddělení ošetřovatelství Název práce: Vliv praxe na změnu pracovní motivace a identifikace se sociální rolí sestry Vedoucí práce: PhDr. Mariana Štefačíková, Ph. D. Počet stran: 131 Počet příloh: 19 Rok obhajoby: 2019 Klíčová slova: Motivace, pracovní motivace, motivační faktory, sociální role, identifikace se sociální rolí Bakalářská práce pojednává o motivaci k práci zdravotní sestry, motivačních faktorech a o sociální roli sestry. V teoretické části se zaměřuje na pojem motivace, pracovní motivaci, teorie pracovní motivace a determinanty ovlivňující motivaci zdravotní sestry. Dále se zaměřuje na pojem sociální role a identifikaci se sociální rolí sestry. Výzkum motivace k práci a sociální role sestry je proveden metodou semistrukturovaných rozhovorů, které jsou doplněny dotazníkovým šetřením. Získaná data jsou zpracována pomocí otevřeného kódování a triangulace (rozhovory, dotazníkové šetření, šetření MZČR). Sestry zde popisují jejich původní a nynější motivaci k práci sestry, faktory, které by mohly ohrozit jejich setrvání v tomto povolání, rozdíl mezi představou a realitou a v neposlední řadě charakterizují roli sestry vlastními slovy.
|
|
|
Hluboké neuronové sítě pro analýzu medicínských obrazových dat
Trávníčková, Kateřina ; Hradiš, Michal (oponent) ; Španěl, Michal (vedoucí práce)
Tato bakalářská práce se zabývá analýzou medicínských objemových dat pomocí konvolučních neuronových sítí. Vstupem analýzy jsou CT snímky lidských končetin, výstupem pak vysegmentované kontury dlouhých kostí, humeru a tibie. Cílem práce je nalezení vhodného nastavení konvoluční neuronové sítě pro co nejpřesnější výstup analýzy. Jako metrika úspěšnosti byla zvolena plocha pod Precision-Recall křivkou (AUC). Nejlepší dosažená úspěšnost se pohybuje kolem 88 % (0.8778 AUC). Pro implementaci řešení byl použit framework Caffe, resp. caffe modul pro skriptovací jazyk python.
|
|
| |
host ::
RSS.