|
|
Deep learning for tree line ecotone mapping from remote sensing data
Dvořák, Jakub ; Potůčková, Markéta (vedoucí práce) ; Lefèvre, Sébastien (oponent)
Hluboké učení se v posledních letech stále více uplatňuje v dálkovém průzkumu, především jako klasifikační algoritmus. První část této práce popisuje hluboké neuronové sítě používané pro klasifikaci v dálkovém průzkumu a možnosti jejich využití. V této části práce jsou diskutovány i implementace hlubokých modelů ve vybraných geografických softwarech. Teoretická zjištění z první části práce jsou ověřena pomocí dvou hlubokých konvolučních sítí typu "Encoder-Decoder" - U-Net a její navrhovaná adaptace KrakonosNet. Tyto sítě jsou využity pro klasifikaci smrků a kosodřeviny v oblasti krkonošské horní hranice lesa. Normalizovaný digitální model povrchu je využit k tvorbě dostatečného množství trénovacích dat a klasifikace samotná je provedena pouze na základě optických dat s velmi vysokým prostorovým rozlišením. Výsledná klasifikace je porovnána s několika tradičními metodami, konkrétně se jedná o klasifikátor maximální pravděpodobnosti, náhodný les a metodu podpůrných vektorů. U-Net i KrakonosNet dosáhly na tomto datasetu výrazně lepších výsledků a budou následně využity pro potřeby souvisejícího výzkumného projektu. Klíčová slova hluboké učení, U-Net, Krkonoše, klasifikace, mapování vegetace, smrk ztepilý, borovice kleč, ortofoto
|
|
|
Segmentace polygonálního modelu
Bezděčík, Ladislav ; Polášek, Tomáš (oponent) ; Španěl, Michal (vedoucí práce)
Tato bakalářská práce se zabývá problematikou segmentace 3D modelů čelistí. Analyzuje současné metody, navrhuje, implementuje a testuje možné zlepšení těchto metod z uživatelského hlediska. Návrh zlepšení spočívá v implementaci neuronových sítí k rozpoznávání topologie modelů čelistí, a možné kombinaci této topologie s existujícími metodami segmentace. Také je analyzována a implementována možnost automatického rozšiřování datových sad 3D modelů převedených na hloubkové mapy, použitých pro trénování neuronových sítí.
|
|
|
Segmentation of bone lesions in spinal CT data
Zaťko, Martin ; Chmelík, Jiří (oponent) ; Jakubíček, Roman (vedoucí práce)
The aim of the bachelor thesis was to get acquainted with the anatomy and oncological diseases of spine. Search for segmentation techniques and implement my chosen machine learning technique for the task of segmenting bone lesions of vertebral bodies. The U-net architecture of convolutional neural networks, which is generally widely used in the segmentation of biomedical images, was selected and implemented. The results obtained are high enough for the network to be used for initial rough detection and segmentation, but its use in the clinical world is not recommended.
|
|
|
Segmentation of brain tumours in MRI images using deep learning
Ustsinau, Usevalad ; Odstrčilík, Jan (oponent) ; Chmelík, Jiří (vedoucí práce)
The following master's thesis paper equipped with a short description of CT scans and MR images and the main differences between them, explanation of the structure of convolutional neural networks and how they implemented into biomedical image analysis, besides it was taken a popular modification of U-Net and tested on two loss-functions. As far as segmentation quality plays a highly important role for doctors, in experiment part it was paid significant attention to training quality and prediction results of the model. The experiment has shown the effectiveness of the provided algorithm and performed 100 training cases with the following analysis through the similarity. The proposed outcome gives us certain ideas for future improving the quality of image segmentation via deep learning techniques.
|
|
|
Segmentace klenby lebeční u pacientů po kraniektomii
Vavřinová, Pavlína ; Chmelík, Jiří (oponent) ; Jakubíček, Roman (vedoucí práce)
Tato práce se zabývá segmentací klenby lebeční v CT snímcích pacientů po kraniektomii. Zadaná problematika byla řešena pomocí segmentační architektury U-Net, konkrétně její 2D i 3D variantou. S první verzí architektury bylo dosaženo průměrné hodnoty Jaccardova indexu 89,4 %, u druhé úspěšnosti 67,1 % vyhodnocené stejnou metrikou. Při zaměření na oblasti po chirurgickém zákroku nebyl u výsledků jednotlivých variant již tak velký rozdíl, zjištěný Jaccardův index pro 2D síťě byl průměrně 98,4 % a pro 3D verze 97,0 %.
|
|
|
Segmentace nádorových lézí ledvin v CT datech
Urbanová, Hedvika ; Vičar, Tomáš (oponent) ; Jakubíček, Roman (vedoucí práce)
Tato diplomová práce se zabývá segmentací nádorových lézí ledvin v CT datech. V teoretické části práce je rozebrána anatomie a patologie ledvin. Dále je pak obecně uveden princip segmentace, konvenční metody a segmentace pomocí strojového učení. V neposlední řadě jsou popsány konvoluční neuronové sítě, které byly zvoleny jako nástroj pro segmentaci v této semestrální práci. V praktické části je navržen algoritmus konvolučních neuronových sítí v programovacím jazyce Python. Tento algoritmus byl následně otestován na anotovaných datech z databáze KiTS19.
|
|
|
Segmentace cévního řečiště v retinálních obrazových datech
Vančurová, Johana ; Mézl, Martin (oponent) ; Odstrčilík, Jan (vedoucí práce)
Tato diplomová práce se zabývá segmentací cévního řečiště v retinálních obrazových datech. Teoretická část je zaměřena na základní popis anatomie a fyziologie oka a na metody snímání očního pozadí. Dále jsou popsány principy klasických a konvolučních neuronových sítí a segmentační techniky, které se využívají k segmentaci cévního řečiště v retinálních snímcích. V praktické části je implementována segmentační metoda pomocí konvoluční neuronové sítě U-net. Tato síť je natrénována na třech datových sadách. Dvě datové sady obsahují snímky z experimentálního video oftalmoskopu. Z důvodů nemožnosti porovnat výsledky této metody na těchto dvou datových sadách, byla použita třetí datová sada HRF, která zahrnuje snímky pořízené fundus kamerou. Výsledky testování na této datové sadě slouží k porovnání s jinými metodami segmentace cévního řečiště.
|
|
|
Analýza rozložení stran textových dokumentů pomocí hlubokých neuronových sítí
Endrych, David ; Herout, Adam (oponent) ; Kodym, Oldřich (vedoucí práce)
Cílem této bakalářské práce je vytvořit nástroj pro analýzu rozložení stran textových dokumentů. Problém je řešen pomocí konvolučních neuronových sítí. Architekturou zvolenou v téhle bakalářské práci je architektura U-Net. Pro trénování modelu sítě se používá chybová funkce cross entropy s použitím mapy vah. Pomocí hledání spojitých komponent dochází k získávání regionů odstavců. Experimenty se vyhodnocují pomocí objektové metriky Symmetric Best Dice. Z experimentů vyplynulo, že je lepší používat všechny hrany odstavců než se zaměřovat pouze na vertikální hrany odstavců. Dále experimenty ukazují, že trénovací strategie vzorkování batche a adaptativní rozlišení pomáhají ke zlepšení výsledků analýzy. V experimentech je také popsána aplikace separátorů, která je užitečná při analýze vícesloupcových dokumentů.
|
|
|
U-Net Convolutional Neural Network For Tem
Image Segmentation
Mocko, Štefan
This work deals with the use of a convolutional neural network in the area of segmentation of images acquired with the use of a transmission electron microscope. Paper describes programming tool for image data augmentation, used neural network topology, and it also provides information about model training. This neural network topology delivered excellent results on provided data from the Thermo Fisher Scientific company, which will serve as a starting point for internal company research in image segmentation area.
|
|
|
Automatic 3D segmentation of brain images
Bafrnec, Matúš ; Dorazil, Jan (oponent) ; Kolařík, Martin (vedoucí práce)
This bachelor thesis describes the design and implementation of the system for automatic 3D segmentation of a brain based on convolutional neural networks. The first part is dedicated to a brief history of neural networks and a theoretical description of the functionality of convolutional neural networks. It represents a fast introduction to the problematics and provides theoretical basics needed for the understanding and creation of the system. Individual layers of the neural network and principles of their functionality and mutual relations are also described in this part. The second part of the thesis is about problem analysis, designing of a solution and a comparison between neural networks and other solutions. The result of a magnetic resonance imaging of the head is a series of black-and-white images representing a 3D scan. The task is to tag a brain and to remove unnecessary information in the form of surrounding tissues. The final image of the brain can be utilized in a volumetry or during a diagnostic of neurodegenerative diseases. The advantage of neural networks in comparison with deterministic systems is their flexibility. They allow an adaptation to other segmentation problems just by changing the training dataset, without a need of changes in the architecture. One of the systems performing fully automatic 3D segmentation is called U-Net – its name comes from the similarity of the architecture with the letter U. Three real solutions, the first implementation of U-Net, extended U-Net and recurrent U-Net were presented. The first version of U-Net has been very memory-demanding, it required a training on a processor instead of a graphic card and has not allowed data processing in full resolution. The extended U-Net has resolved these problems by loading data in overlaying series of three images. In addition to the possibility of a training on a graphic card with related decrease in learning time, the accuracy was increased by adding interconnections to the internal architecture of the network. The last version, recurrent U-Net, aims for the optimization of extended U-Net based on the reusage of existing levels. This brings a decrease in a time and resource difficulty. The number of parameters of the network was lowered to less than 20%, without any increase in case of further level addition. This network is one of first recurrent networks used on the problem of 3D segmentation and provides a foundation to further research. The last part focuses on the evaluation of results and the comparison of accuracy, speed and requirements between particular networks. The accuracy of human and machine segmentation is also compared. The extended and recurrent U-Net have surpassed their human opponent, which in real case could save a lot of doctors time and prevent human mistakes. The result of this work is a theoretical basis providing an introduction to the problematics of convolutional neural networks and segmentation, fully working systems for automatic 3D segmentation and the foundation for further research in the field of recurrent networks.
|
host ::
RSS.