Národní úložiště šedé literatury Nalezeno 35 záznamů.  1 - 10dalšíkonec  přejít na záznam: Hledání trvalo 0.00 vteřin. 
Registrace obrazů s využitím optimalizace pomocí automatické diferenciace
Slavíček, David ; Kolář, Radim (oponent) ; Vičar, Tomáš (vedoucí práce)
Práce se zabývá využitím automatické diferenciace v registraci obrazů. V teoretické části byly popsány kroky registrace obrazů a možné způsoby jejich realizace. V praktické části byl navržen algoritmus pro registraci afinně transformovaných obrazů s využitím automatické diferenciace. Algoritmus byl implementován. Byly navrhnuty dvě modifikace algoritmu. Dále byla sestavena testovací databáze sestávající z RTG snímků hrudníku. Na ní byl algoritmus otestován.
Registrace obrazů s využitím optimalizace pomocí automatické diferenciace
Slavíček, David ; Kolář, Radim (oponent) ; Vičar, Tomáš (vedoucí práce)
Práce se zabývá využitím automatické diferenciace v registraci obrazů. V teoretické části byly popsány kroky registrace obrazů a možné způsoby jejich realizace. V praktické části byl navržen algoritmus pro registraci afinně transformovaných obrazů s využitím automatické diferenciace. Algoritmus byl implementován. Byly navrhnuty dvě modifikace algoritmu. Dále byla sestavena testovací databáze sestávající z RTG snímků hrudníku. Na ní byl algoritmus otestován.
Registration of retinal images using deep learning
Doskočil, Ondřej ; Jakubíček, Roman (oponent) ; Vičar, Tomáš (vedoucí práce)
Image registration is a fundamental task in many medical image analysis applications. When examining the ocular fundus, it is necessary to register retinal images properly in order to examine phenomena such as vessel pulsations. This registration process is often solved using traditional, often iterative, methods. As in other areas of medical applications, deep learning methods have been increasingly used in recent years to achieve better and faster results. This thesis presents the possibilities of using deep neural networks to predict the transformation parameters to be used for retinal image registration.
Synchronní snímání scény s více kamerami
Ladický, Milan ; Vičar, Tomáš (oponent) ; Kolář, Radim (vedoucí práce)
V rámci této práce je podrobně popsáno základní vybavení pro synchronní snímání ze dvou kamer. Jsou detailně charakterizovány použité kamery a vysvětlen princip jejich použití při snímání scény. Dále je rozebrána teorie fúzování obrazů, přičemž práce se zaměřuje zejména na fúzi barevného a šedotónového snímku z termokamery. Hlavním zaměřením je softwarový podklad, který je podrobně popsán od inicializace kamer přes proces pořizování snímků, ukládání výsledných obrazů, kalibraci fúze až po samotné vytváření výsledného fúzovaného snímku. Je popsána architektura aplikace a povrchové logiky v rámci aplikace. Dále jsou popsány klíčové knihovny použité v programu a jejich význam pro celý proces. Tato práce přináší stabilní softwarový základ pro vytvoření programu pro synchronní snímání a fúzi výsledných obrazů, čímž umožňuje nové možnosti ve zpracování a analýze obrazových dat.
Analysis of Microscopic Images of Cancer Cells
Vičar, Tomáš ; Matula,, Petr (oponent) ; Sladoje, Natasa (oponent) ; Kolář, Radim (vedoucí práce)
This dissertation focuses on the analysis of various forms of microscopic image data of cancer cells (static 2D images, static 3D stacks, 2D timelapse live cell imaging). The main focus is on data acquired with a~coherence controlled holographic microscope, which is a~relatively new modality capable of contrast imaging of live cells without staining (label-free) and provide quantitative information (Quantitative Phase Imaging - QPI). In this thesis, the basic procedure for the analysis of cell images is described, where new methods for the individual steps are developed and refined. The largest part of the thesis is devoted to cell segmentation, where classical and deep learning-based methods are summarized. New methods suitable specifically for QPI data are also developed. A~part of the thesis is devoted to the segmentation of 3D fluorescence nuclei and the detection of DNA breaks using deep learning. The thesis also deals with further processing in the form of cell tracking, feature extraction and subsequent analysis, where cell death is detected and suitable interpretable features are developed to classify cell death into apoptotic and lytic. Overall, this thesis contributes to the development of different steps of image analysis of cancer cells and reflects current advances in the image analysis field, deep learning approaches in particular, which is also demonstrated in several research applications.
Kvantitativní digitální holografická mikroskopie pomocí strojového učení
Duša, Martin ; Kolář, Radim (oponent) ; Vičar, Tomáš (vedoucí práce)
Diplomová práce představuje metody strojového učení pro určení parametrů mikro a nano částic ze snímků digitální holografické mikroskopie. V teoretické části jsou přiblíženy principy snímaní hologramu, holografické mikroskopie a podobnost mezi Mie teorií a hologramem. Druhá část teoretické rešerše je věnována metodám strojového učení využitých při určování kvantitativních informací částic. Praktická část se věnuje návrhu postupu pro určení pozice, indexu lomu a poloměru pomocí architektury U-Net implementované v prostředí PyTorch a DeepTrack 2.1. V závěru práce jsou diskutovány výsledky navržených metodik.
Intracranial aneurysm detection in TOF-MRI data
Vývoda, Jan ; Vičar, Tomáš (oponent) ; Jakubíček, Roman (vedoucí práce)
The thesis contains a theoretical review of information about intracranial aneurysms, their diagnosis and therapy. It also summarizes the methods of object detection by both classical and machine learning methods and includes a brief description of some methods of intracranial aneurysm detection. In the practical part, several proposed approaches for segmentation and detection of these aneurysms using U-net neural network are evaluated and compared.
Identifikace projevů responzivní složky elektrodermální aktivity
Vraný, Jakub ; Vičar, Tomáš (oponent) ; Kolářová, Jana (vedoucí práce)
Elektrodermální aktivita je druh elektrochemického signálu generovaným v návaznosti na aktivitu autonomního nervového systému, který stimuluje potní žlázy. Tímto způsobem lze měřit aktivitu sympatické části nervstva a vyhodnotit kognitivní zátěž vyšetřované osoby, která se projevuje responzivními signály v záznamu EDA, resp. jejich vyšší četností. Cílem této práce je navrhnout algoritmus hlubokého učení pro identifikaci této složky v záznamu dat vypůjčených z databáze UBMI. Záznamy obsahují sekvenci měření konduktance na pokožce vyšetřovaného v čase, které byl podroben střídavě klidovému stavu a následně stavu mentální zátěže. Data byla anotována dle přítomnosti responzivní složky. Následně byl navržen a implementován vhodný algoritmus hlubokého učení určeného ke klasifikaci responzivních složek v měřeném signálu EDA. Model neuronové sítě byl následně setem anotovaných předzpracovaných dat naučen, optimalizován a implementován na vzorcích měření. Získaná data byla statisticky vyhodnocena z pohledu úspěšnosti klasifikace responzivních složek a rozdílů v záznamech mentálního klidu a zátěže. Výsledky klasifikace a porovnání záznamů EDA měřených při různých stavech dotyčného byly následně diskutovány.
Segmentace buněk pomocí konvolučních neuronových sítí
Hrdličková, Alžběta ; Chmelík, Jiří (oponent) ; Vičar, Tomáš (vedoucí práce)
Tato práce zkoumá využití konvolučních neuronových sítí se zaměřením na sémantickou a instanční segmentaci buněk z mikroskopických snímků. Teoretická část obsahuje popis hlubokých neuronových sítí a shrnutí široce používaných konvolučních architektur pro segmentaci obrazu. Praktická část práce je věnována vytvoření modelu konvoluční neuronové sítě na základě architektury U-Net. Dále obsahuje segmentaci buněk predikovaných obrazů pomocí tří metod, a to prahování, metody rozvodí a metody náhodného chodce.
Umělá inteligence pro predikování sepsí z klinických signálů
Šidlo, David ; Chmelík, Jiří (oponent) ; Vičar, Tomáš (vedoucí práce)
Tato bakalářská práce řeší otázku predikování sepsí z klinických signálů pomocí metod umělé inteligence. V teoretické části je vypracována literární rešerše na zakladní principy a fungování různých metod umělé inteligence. Větší důraz byl kladen na rekurentní neuronové sítě. Cílem praktické části byla implementace vhodné metody ve zvoleném programovacím prostředí. Jako vhodná metoda byla vybrána LSTM síť a časová konvoluční síť TCN. Nejlepších výsledků normalizované hodnoty utility score dosáhla TCN, a to 0,377 a sedmi vrstvá LSTM 0,356.

Národní úložiště šedé literatury : Nalezeno 35 záznamů.   1 - 10dalšíkonec  přejít na záznam:
Chcete být upozorněni, pokud se objeví nové záznamy odpovídající tomuto dotazu?
Přihlásit se k odběru RSS.