|
|
Deep-learning-based pattern detection in medical images
Koščová, Zuzana ; Vičar, Tomáš (oponent) ; Jakubíček, Roman (vedoucí práce)
This Bachelor thesis deals with Deep-learning-based pattern detection in medical images. For better understanding of a subject artificial neural network and convolutional neural network (CNN) are described at first. Next chapter is focused on specific detection methods which use CNN. Within a bachelor thesis a dataset of abdominal CT a MRI scans was created. Faster R-CNN and YOLO algorithms were trained and tested on acquired scans for liver detection. Implementation of chosen methods took place in Python programming language using the Pytorch library. Finally, detection results and possible use in medicine are discussed.
|
|
|
Segmentace chrupavčité tkáně ve 3D mikro CT snímcích myších embryí
Matula, Jan ; Vičar, Tomáš (oponent) ; Chmelík, Jiří (vedoucí práce)
Manuální segmentace chrupavčité tkáně v mikro CT snímcích myších embryí je velice časově náročná a značně zvyšuje čas potřebný pro výzkum vývoje obličejové části lebky savců. Jako řešení tohoto problému se jeví využití automatických segmentačních algoritmů. V této práci navržena plně automatická segmentační metoda využívající konvoluční neuronovou síť naučenou na manuálně segmentovaných obrazech. Architektura této konvoluční neuronové sítě vychází z architektury U-Net, jejíž enkóderová část je nahrazena za enkóderovou část klasifikační neuronové sítě VGG16 s váhami byly předučenými na databázi označených obrazů ImageNet. Bylo dokázáno, že navržený postup segmentace dosahuje při porovnání s obrazy manuálně segmentovanými expertem v průměru Dice koeficientu 0,8731 ± 0,0326.
|
|
|
Registration of image sequences from experimental video-ophthalmoscope
Bjelová, Martina ; Vičar, Tomáš (oponent) ; Kolář, Radim (vedoucí práce)
The topic of this thesis is registration of image sequences captured by experimental ophthalmoscope. It contains anatomical description of the visual system as well as the description of functions of selected ophthalmoscopic devices. The next covered topic is theoretical summary of registration process, which is followed by an overview of the used methods, which forms the basis of the design and implementation of the registration algorithm in the Python programming language. After implementation, the accuracy and computational complexity of a registration was evaluated. Tests of optimalization of the proposed approach were performed with regards to the obtained results, through which sufficiently accurate registration has been achieved, evaluated on the basis of Euclidean distances, standard deviation and visual observation. In case of high-quality recorded sequences, values of Euclidean distances ranged from 0.60 to 4.07 pixels on the contrary, values higher than 20 pixels occurred in the case of poor-quality recordings. Standard deviation values in recordings with high enough resolution have not reached worse results than 4.12.
|
|
|
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.
|
|
|
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.
|
|
|
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.
|
|
|
Monitorovací systém pro zjištění motility a polohy laboratorních zvířat po anestézii
Enikeev, Amir ; Vičar, Tomáš (oponent) ; Čmiel, Vratislav (vedoucí práce)
Tato Diplomová práce, která nese název „Monitorovací systém pro zjištění motility a polohy laboratorních zvířat po anestézii“ se zaměřuje na návrh a realizaci bezkontaktní detekce polohy laboratorního potkana nebo myši ve výběhu s průhledným krytem. Semestrální práce si klade za cíl nalézt vhodné metody realizaci bezkontaktní detekce polohy laboratorního potkana nebo myši a automaticky určit a zobrazit průměrnou rychlost nebo jiné charakteristiky pohybu. Zadání vzešlo z potřeb monitoringu zvířat po kurativním zásahu a také jako potřebná utilita pro budoucí „stínování“ pohyb zvířete (automatické cílení na jizvu na zádech zvířete). Potkan, který je umístěný uvnitř našeho výběhu je buď standardně pohyblivý nebo je omámen po anestezií. V této práci se zabývám nejprve rešerší automatických monitorovacích systémů pro detekci polohy zvířat ve výběhu. Pak v praktické části jsou testovány tři typy kamer pro obrazovou detekci polohy potkana a je navrhnut skript pro automatickou detekci a analýzu pohybu potkana. A vytvořen software na detekci
|
|
|
Segmentation of biological samples in cryo-electron microscopy images using machine learning methods
Sokol, Norbert ; Vičar, Tomáš (oponent) ; Chmelík, Jiří (vedoucí práce)
Cryo-electron microscopy imaging has its irreplaceable position in analysis of various biological structures. Localization of the cells cultivated on grid and their segmentation towards background or contamination is essential. With the development of various deep learning methods, the performance of semantic segmentation tasks dramatically increased. In this thesis, we will develop a deep convolutional neural network for semantic segmentation of the cells cultivated on grid. Dataset for this thesis was created with dual-beam cryo-electron microscope developed by Thermo Fisher Scientific Brno.
|
|
|
Modul pro záznam elektrodermální aktivity
Vičar, Tomáš ; Harabiš, Vratislav (oponent) ; Bubník, Karel (vedoucí práce)
Tato práce popisuje elektrodermální aktivitu (EDA) a její vznik na základě vlastností kůže a termoregulace organismu. EDA je signál mající úzký vztah k psychofyziologii a můžeme jeho pomocí vyhodnocovat nejrůznější emoční, motorické a pozornostní vlivy na lidský organismus. Práce dále rozebírá možnosti snímání kožního potenciálu a vodivosti a popisuje konstrukci zařízení schopného tyto signály měřit a ukládat v počítači.
|
|
|
Utilization of convolutional neural networks for segmentation of mouse embryos cartilaginous tissue in micro-CT data
Poláková, Veronika ; Vičar, Tomáš (oponent) ; Chmelík, Jiří (vedoucí práce)
Automatic segmentation of the biological structures in micro-CT data is still a challenge since the object of interest (craniofacial cartilage in our case) is commonly not characterized by unique voxel intensity or sharp borders. In recent years, convolutional neural networks (CNNs) have become exceedingly popular in many areas of computer vision. Specifically, for biomedical image segmentation problems, U-Net architecture is widely used. However, in the case of micro-CT data, there is a question whether 3D CNN would not be more beneficial. The master thesis introduced CNN architecture based on V-Net as well as the methodology for data preprocessing and postprocessing. The baseline architecture was further optimized using advanced architectural modifications such as Atrous Spatial Pyramid Pooling (ASPP) module, Scaled Exponential Linear Unit (SELU) activation function, multi-output supervision and Dense blocks. For network learning, modern approaches were used including learning rate warmup or AdamW optimizer. Even though the 3D CNN do not outperform U-Net regarding the craniofacial cartilage segmentation, the optimization raises the median of Dice coefficient from 69.74 % to 80.01 %. Therefore, utilizing these advanced architectural modifications is highly encouraged as they can be easily added to any U-Net-like architecture and may remarkably improve the results.
|
host ::
RSS.