|
|
Moderní přístup k měření citlivosti mikrobiálních kultur na antibiotika s využitím strojového učení
Lepík, Jakub ; Burget, Radim (oponent) ; Čičatka, Michal (vedoucí práce)
Bakalářská práce se zaměřuje na problematiku měření citlivosti mikrobiálních kultur na antibiotika (AST), konkrétně na vylepšení a automatizaci vyhodnocení diskové difúzní metody pomocí strojového učení a architektur pro detekci objektů v obraze. Díky využití vývojové platformy TensorFlow a rozsáhlé datové sady, na níž byly vytrénovány vlastní detekční modely, jako je EfficientDet, je umožněno zpracování široké škály vstupních dat. To přináší možnost využití mobilních zařízení vedle tradičních laboratorních přístrojů při vyhodnocování této metody. Pomocí dalších technik zpracování obrazu a knihovny OpenCV byl vyvinut vlastní algoritmus na měření velikosti inhibičních zón, který je společně s detekčními modely integrován v rámci modulu do webové aplikace společnosti Bruker Daltonics GmbH & Co. Tento modul, vyvíjený pomocí platformy ASP.NET, je přehledným a užitečným nástrojem pro asistenci pracovníkům v mikrobiologických laboratořích.
|
|
|
Detekce karet při turnajích v pokru
Kovalets, Vladyslav ; Šilling, Petr (oponent) ; Vaško, Marek (vedoucí práce)
Tato bakalářská práce se zaměřuje na vývoj pokročilého systému pro automatické rozpoznávání a evidenci herních karet z videozáznamů pokerových her. Jako základní nástroj byla zvolena technologie konvolučních neuronových sítí, konkrétně síť YOLO, který umožňuje efektivní identifikaci karet na stole i v rukou hráčů i za náročných podmínek. Práce zahrnovala vytvoření rozsáhlé datové sady pro trénování a testování detektoru karet, který dosáhl přesnosti rozpoznávání 98,7 %. Pro spolehlivou evidenci karet byl navržen algoritmus, který minimalizuje chyby detektoru a zlepšuje celkovou přesnost systému. Výsledky práce naznačují, že navržený systém má potenciál pro využití i v praxi.
|
|
|
Lokalizace fibrilace síní pro vyhodnocení zatížení pacienta
Martinásková, Klára ; Ředina, Richard (oponent) ; Filipenská, Marina (vedoucí práce)
Diplomová práce se zabývá problematikou detekce fibrilace síní ze záznamů EKG a lokalizace daných úseků fibrilace u signálů s paroxysmální fibrilací. Je vypracována rešerše týkající se fibrilace síní, vzniku této atologie a metod detekce fibrilace z EKG záznamů pomocí hlubokého učení. V jazyce Python je následně implementován model konvoluční neuronové sítě s reziduálními bloky pro klasifikaci krátkých (3 s) segmentů EKG signálu. Následně jsou výsledky klasifikace zpracovány a v signálech s paroxysmální fibrilací jsou lokalizovány úseky s fibrilací. Díky klasifikaci a lokalizaci je dále vyhodnoceno zatížení pacienta fibrilací. Implementovaný klasifikátor na testovací množině dosahuje výsledků F1 skóre 96,15 %. Při lokalizaci úseků s fibrilací algoritmem je dosaženo hodnoty MAE 0,95 s pro detekci začátků a 1,29 s pro detekci konců vůči referenčním polohám. Odhadované zatížení pacienta je porovnáno se skutečnou zátěží a dosahuje MAE 3 %.
|
|
|
Segmentation of hyperspectral images of lizards
Kotrys, Kryštof ; Parák, Roman (oponent) ; Škrabánek, Pavel (vedoucí práce)
This master's thesis focuses on creating a data processing system for segmentation of hyperspectral images of lizards living in the Czech Republic. The first part of the thesis contains a survey of existing image segmentation methods, information about hyperspectral imagery and convolutional neural network theory. The second part proposes a data processing pipeline that creates image segmentation masks for the assigned dataset, as well as presents achieved results.
|
|
|
Detekce objektů na mikrokontroleru i.MX RT
Kravchuk, Marina ; Rozman, Jaroslav (oponent) ; Janoušek, Vladimír (vedoucí práce)
Tato práce se zaměřuje na využití strojového učení, zejména konvolučních neuronových sítí, v průmyslových aplikacích. Průběh práce zahrnuje zkoumání implementace těchto sítí přímo na vestavěných zařízeních, konkrétně na mikrokontrolérech NXP i.MX RT. Během studia byly prozkoumány materiály týkající se trénování a použití neuronových sítí a jejich optimalizace pro nasazení na zařízeních s nízkým výkonem. Bylo natrénováno a otestováno několik modelů neuronových sítí, z nichž nejlepší byl použit v konečné verzi aplikace. Samotná aplikace je rozdělena do dvou částí: jedna část je napsána v jazyce C/C++ v prostředí MCUXpresso IDE, kde je implementována hlavní funkcionalita programu, zatímco druhá část práce, tj. vytvoření grafického uživatelského rozhraní pro ovládání programu, je provedena v jazyce Python. Výsledkem je funkční aplikace pro mikrokontrolér MIMXRT1170-EVK, která je schopna detekovat a rozpoznávat malé barevné objekty určitých tvarů z předem definované sady dat.
|
|
|
Mobilní aplikace pro naskenování logického obrázku a jeho vyřešení
Zobaník, Michal ; Pánek, Richard (oponent) ; Dyk, Tomáš (vedoucí práce)
Cílem této bakalářské práce je vytvořit aplikaci, která bude umožňovat skenovat zadání zakódovaných obrázků z novin nebo časopisů a umožní naskenovaný obrázek vyřešit. Práce se věnuje návrhu mobilní aplikace pro operační systém Android, popisuje její funkcionalitu a důležité body implementace. Pro detekci zakódovaného obrázku jsou využity metody zpracovávání obrazu. Pro rozpoznávání čísel je vytvořena a naučena konvoluční neuronová síť. A pro vyřešení naskenované logické hádanky jsou použita logická pravidla a backtracking.
|
|
|
Rozpoznávání nemocí rostlin pomocí umělé inteligence
Juliš, Adam ; Kubík, Tibor (oponent) ; Bažout, David (vedoucí práce)
Cílem práce bylo prozkoumat možnosti detekce nemocí rostlin při nedostatku trénovacích dat. Zkoumala se možnost extrakce vzoru jednotlivých onemocnění a aplikace těchto vzorů na neznámé rostliny. Ještě v teoretické části práce byl tento přístup označen za chybný. Dále se analyzovaly a srovnávaly datové sady se snímky rostlinných patogenů. Vytvořil se generátor augmentovaných snímků a několik modelů nad menší datovou sadou ověřující existující přístupy.
|
|
|
Enhancing Reliability and Benchmarking Performance of Agar Plate Handling Algorithms for Laboratory Automation Robots
Kalivodová, Tereza ; Nohel, Michal (oponent) ; Mézl, Martin (vedoucí práce)
This bachelor thesis investigates the issue of sample preparation in the field of microbiology and medical diagnostics with an emphasis on the automated robotic system MBT Pathfinder, developed by \bruker. Using digital imaging techniques and convolutional neural networks, the thesis focuses on improving the algorithm for identifying the position of microbial colonies in the MBT Pathfinder system. The practical part of the thesis presents innovative approaches to optimize critical sample preparation steps to eliminate errors and increase process efficiency. The results of this work can enhance the reliability of microbiological analyses in medical diagnostics and microbiological research.
|
|
|
Aplikace hlubokého učení v detekci spánkové apnoe
Láznička, Jakub ; Šaclová, Lucie (oponent) ; Králík, Martin (vedoucí práce)
Tato diplomová práce se zaměřuje na využití metod hlubokého učení pro detekci spánkové apnoe, poruchy spánku charakterizované opakovanými epizodami zastavení nebo významného snížení průtoku dýchacích cest během spánku. Studie zkoumá efektivitu konvolučních neuronových sítí (CNN) a modelů Bidirectional Long Short-Term Memory (BiLSTM) v automatické detekci různých typů spánkové apnoe s využitím polysomnografických záznamů. V práci jsou využity datasety z databáze MESA, které byly speciálně připraveny a upraveny pro potřeby hlubokého učení. Modely s nejlepšími výsledky dosáhly hodnot F1 skóre 0,87 a 0,83, což ukazuje, že hluboké učení může poskytovat přesné nástroje pro diagnostiku spánkové apnoe, představující potenciální zlepšení v klinické praxi. Práce také diskutuje možnosti integrace těchto modelů do klinických diagnostických procesů a nastiňuje směry pro budoucí výzkum v této oblasti.
|
|
|
DEEP LEARNING FOR SINGLE-VOXEL AND MULTIDIMENSIONAL MR-SPECTROSCOPIC SIGNAL QUANTIFICATION, AND ITS COMPARISON WITH NONLINEAR LEAST-SQUARES FITTING
Shamaei, Amirmohammad ; Latta,, Peter (oponent) ; Kozubek, Michal (oponent) ; Jiřík, Radovan (vedoucí práce)
Preprocessing, analysis, and quantification of Magnetic resonance spectroscopy (MRS) signals are required for obtaining the metabolite concentrations of the tissue under investigation. However, a fast, accurate, and efficient post-acquisition workflow (preprocessing, analysis, and quantification) of MRS is challenging. This thesis introduces novel deep learning (DL)-based approaches for preprocessing, analysis, and quantification of MRS data. The proposed methods achieved the objectives of robust data preprocessing, fast and efficient MR spectra quantification, in-vivo concentration quantification, and the uncertainty estimation of quantification. The results showed that the proposed approaches significantly improved the speed of MRS signal preprocessing and quantification in a self-supervised manner. Our proposed methods showed comparable results with the traditional methods in terms of accuracy. Furthermore, a standard data format was introduced to facilitate data sharing among research groups for artificial intelligence applications. The findings of this study suggest that the proposed DL-based approaches have the potential to improve the accuracy and efficiency of MRS for medical diagnosis. The dissertation is structured into four parts: an introduction, a review of state-of-the-art research, a summary of the aims and objectives, and a collection of publications that showcase the author's contribution to the field of DL applications in MRS.
|
host ::
RSS.