|
|
Morphological and Genomic Profiling of Circulating Tumor Cells in Metastatic Colorectal Cancer
Thiele, Jana-Aletta ; Pitule, Pavel (vedoucí práce) ; Mohelníková Duchoňová, Beatrice (oponent) ; Kasimir-Bauer, Sabine (oponent)
Kolorektální karcinom (CRC) je celosvětově třetím nejčastějším nádorovým onemocněním - je odpovědný za téměř 10 % všech nově diagnostikovaných nádorů a je druhou nejčastější příčinou úmrtí spojeného s nádory v Evropě. Paleta biomarkerů použitelných pro výběr vhodné terapie, cílené léčby a pro prognózu přežívání je stále omezená. Vzhledem k tomu, že CRC je heterogenní onemocnění, různé části nádoru mohou mít odlišné molekulární charakteristiky, které se mohou měnit během léčby nebo progrese onemocnění. Tyto místní nebo časové rozdíly není možné efektivně monitorovat prostřednictvím klasické biopsie. Pro umožnění detekce nádorové evoluce je potřebný neinvazivní a opakovaně dostupný biomarker. Tento biomarker mohou představovat cirkulující nádorové buňky (CTC), jelikož reprezentují solidní nádor v krevním řečišti. Bylo prokázáno, že EpCAM pozitivní CTC mají prognostický efekt u pacientů s CRC, ale jejich plný potenciál nebyl dosud prozkoumán. S využitím metody HD-SCA jsme mohli analyzovat celé spektrum CTC a klasifikovat je jako běžné CTC (HD-CTC), CTC s menším jádrem (CTC-Small), CTC s nízkou expresí epiteliálního znaku cytokeratinu (CTC-LowCK) a CTC podstupující apoptózu a tedy uvolňující DNA (CTC-cfDNA produkující). Navíc jsme detekovali a analyzovali CTC clustery (CTCC). Analýza zahrnovala nejen...
|
|
|
Rozpoznávání ručně psaného textu pomocí konvolučních sítí
Sladký, Jan ; Kišš, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce se zabývá rozpoznáváním ručně psaného textu za pomoci konvolučních neuronových sítí. Ze současných metod byl vybrán model sítě skládající se z konvolučních a rekurentních sítí s Connectionist Temporal Classification. Do takovéhoto modelu byl následně implementován prvek Vertical Attention Module, který vybírá relevantní informace v každém sloupci odpovídající textu na obrázku. Tento modul byl následně pomocí experimentů porovnáván s dalšími možnostmi vertikální agregace mezi konvoluční a rekurentní sítí. Experimenty probíhaly na datové sadě obsahující přes 80 000 řádků textu z českých dopisů 20. století. Výsledky ukazují, že Vertical Attention Module dosahuje téměř vždy nejlepších výsledků na všech použitých typech konvolučních sítí. Výsledná síť dosáhla nejlepšího výsledku při chybě 8,9% na znak. Přínosem této práce je neuronová síť s nově zavedeným prvkem, která dokáže rozpoznávat řádky textu.
|
|
|
Odezírání ze rtů pomocí hlubokých neuronových sítí
Kadleček, Josef ; Kišš, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce se zabývá současnými metodami pro přepis řeči na text a odezírání ze rtů za pomoci neuronových sítí. Následně se zabývá podobností architektur neuronových sítí operujících nad zvukem a videem při rozpoznávání řeči a porovnává dostupné audiovizuální datové sady. Výsledkem práce je sada experimentů porovnávající různé zásahy do modelu a jejich dopad na výsledky. Dále je součástí implementace systému pro přepis řeči (CER: 12.6 %) a pro odezírání ze rtů (CER: 57,7 %). Architektury obou systémů jsou založeny na extrakci příznaků pomocí konvolučních vrstev. Za nimi následují rekurentní vrstvy LSTM, další řada konvolučních vrstev a hodnotící funkce CTC.
|
|
|
Holistické rozpoznání registrační značky pomocí konvolučních neuronových sítí
Le, Hoang Anh ; Hradiš, Michal (oponent) ; Špaňhel, Jakub (vedoucí práce)
Cílem práce bylo vytvořit holistický rozpoznávač registračních značek, kde byl kladen důraz na dosáhnutí co nejvyšší přesností na snímcích horší kvality. Byla navrhnuta a implementována kombinace konvoluční a rekurentní neuronové sítě, implementované pomocí LSTM a CTC, kde vstupem jsou výřezy získané z celé značky. Dále byly také implementovány konkurenční sítě pro porovnání výsledků. Sítě byly porovnány na celkem 4 datových sadách, a výsledkem bylo, že vlastní návrh dosáhl nejlepších výsledků s celkovou přesností rozpoznávání 97.6%.
|
|
|
Morphological and Genomic Profiling of Circulating Tumor Cells in Metastatic Colorectal Cancer
Thiele, Jana-Aletta ; Pitule, Pavel (vedoucí práce) ; Mohelníková Duchoňová, Beatrice (oponent) ; Kasimir-Bauer, Sabine (oponent)
Kolorektální karcinom (CRC) je celosvětově třetím nejčastějším nádorovým onemocněním - je odpovědný za téměř 10 % všech nově diagnostikovaných nádorů a je druhou nejčastější příčinou úmrtí spojeného s nádory v Evropě. Paleta biomarkerů použitelných pro výběr vhodné terapie, cílené léčby a pro prognózu přežívání je stále omezená. Vzhledem k tomu, že CRC je heterogenní onemocnění, různé části nádoru mohou mít odlišné molekulární charakteristiky, které se mohou měnit během léčby nebo progrese onemocnění. Tyto místní nebo časové rozdíly není možné efektivně monitorovat prostřednictvím klasické biopsie. Pro umožnění detekce nádorové evoluce je potřebný neinvazivní a opakovaně dostupný biomarker. Tento biomarker mohou představovat cirkulující nádorové buňky (CTC), jelikož reprezentují solidní nádor v krevním řečišti. Bylo prokázáno, že EpCAM pozitivní CTC mají prognostický efekt u pacientů s CRC, ale jejich plný potenciál nebyl dosud prozkoumán. S využitím metody HD-SCA jsme mohli analyzovat celé spektrum CTC a klasifikovat je jako běžné CTC (HD-CTC), CTC s menším jádrem (CTC-Small), CTC s nízkou expresí epiteliálního znaku cytokeratinu (CTC-LowCK) a CTC podstupující apoptózu a tedy uvolňující DNA (CTC-cfDNA produkující). Navíc jsme detekovali a analyzovali CTC clustery (CTCC). Analýza zahrnovala nejen...
|
|
|
Nové techniky v oblasti trénování neuronových sítí - Connectionist temporal classification
Gajdár, Matúš ; Švec, Ján (oponent) ; Karafiát, Martin (vedoucí práce)
Táto bakalárska práca sa zaoberá problematikou neurónových sietí a ich využití v oblasti rozpoznávania reči. Na začiatok si priblížime teóriu rozpoznávania reči, následne na to nadväzuje problematika neurónových sietí spojená s vysvetlením metódy connectionist temporal classification. V ďalšej časti sú popísané nástroje vďaka ktorým sme mohli uskutočniť trénovanie neurónových sietí, spojené s popisom jednotlivých experimentov, ktoré sme spraviliaby sme zistili vplyv metódy connectionist temporal classification na presnosť predpovedania správnych foném. V záverečnej časti sa nachádza zhrnutie práce a celkové zhodnotenie experimentov.
|
|
|
Rekurentní neuronové sítě pro rozpoznávání řeči
Nováčik, Tomáš ; Karafiát, Martin (oponent) ; Veselý, Karel (vedoucí práce)
Tato diplomová práce se zabývá implementací rekurentních neuronových sítí v prostředí jazyka lua za pomocí knihovny torch. Řeší problematiku trénování rekurentních neuronových sítí a to jak z hlediska optimální trénovací strategie, tak z hlediska urychlení trénovacího procesu. Zkoumá zakomponování technik batch normalizace a dropout do architektur rekurentních neuronových sítí. Jednotlivé typy rekurentních sítí jsou následně porovnány na úkolu rozpoznávání řeči prostřednictvým datové sady AMI, kde slouží pro modelování akustického modelu, a dochází ke srovnání s klasickou dopřednou neuronovou sítí. Nejlepší výsledek je dosažen prostřednictvým rekurentní neuronové sítě BLSTM. Následně dojde k natrénování rekurentních neuronových sítí prostřednictvím objektivní funkce CTC na databázi TIMIT, kde nejlepšího výsledku opět dosáhne BLSTM.
|
host ::
RSS.