|
|
Lokalizace intrakraniálních hemoragií v axiálních řezech CT snímků hlavy.
Kopečný, Kryštof ; Chmelík, Jiří (oponent) ; Nemček, Jakub (vedoucí práce)
Tématem této práce je lokalizace intrakraniálních krvácení na snímcích počítačové tomografie pomocí jednofázového a dvoufázového detektoru založených na konvolučních neuronových sítích. Práce mimo základní poznatky z umělé inteligence klíčové pro pochopení procesu detekce objektů podává medicínské informace o patologii a zobrazování krvácení. Znalosti ze zmíněných okruhů se využijí pro vlastní návrh algoritmu pracujícím s veřejně dostupnými databázemi CT snímků hlavy a jejich anotací CQ500 a BHX. Součástí práce je vyhodnocení výsledků a jejich diskuse.
|
|
|
Detection of intracranial hemorrhages in head CT data
Nemček, Jakub ; Jan, Jiří (oponent) ; Jakubíček, Roman (vedoucí práce)
This thesis deals with the detection of intracranial haemorrhages and their type classification in head CT images. The method of haemorrhages detection is based on a series of classifiers of the presence and type of haemorrhages in 2D CT slices in axial, sagittal and coronal plane, that may localise the bleedings and determine their types. The classifiers are based on the convolutional neural network architecture Inception-ResNet-v2. The head CT dataset CQ500 which is made available for public access, is used for the experiments. The thesis describes an additional manual annotation of the data, as the available annotations are insufficient for the purposes of the experiments. This thesis includes a theoretical basis of the essential medical knowledge, machine learning based classification and detection methods, and the detection algorithm proposal, realisation and testing. The algorithm performance is evaluated and discussed together with the potential implementation of the algorithm in computer-aided diagnosis systems.
|
|
|
Lokalizace intrakraniálních hemoragií v axiálních řezech CT snímků hlavy.
Kopečný, Kryštof ; Chmelík, Jiří (oponent) ; Nemček, Jakub (vedoucí práce)
Tématem této práce je lokalizace intrakraniálních krvácení na snímcích počítačové tomografie pomocí jednofázového a dvoufázového detektoru založených na konvolučních neuronových sítích. Práce mimo základní poznatky z umělé inteligence klíčové pro pochopení procesu detekce objektů podává medicínské informace o patologii a zobrazování krvácení. Znalosti ze zmíněných okruhů se využijí pro vlastní návrh algoritmu pracujícím s veřejně dostupnými databázemi CT snímků hlavy a jejich anotací CQ500 a BHX. Součástí práce je vyhodnocení výsledků a jejich diskuse.
|
|
|
Object Detection Networks For Localization And Classification Of Intracranial Hemorrhages
Nemcek, Jakub
Intracranial hemorrhages represent life-threatening brain injuries. This paper presents twostate-of-the-art object detection systems (Faster R-CNN and YOLO v2) which are trained to localizeand classify hemorrhages in axial head CT slices by providing labelled rectangular bounding boxes.Publicly available datasets of head CT data and ground truth bounding boxes are used to evaluate andcompare the performance of both detectors. The Faster R-CNN shows better results by achieving anaverage Jaccard coefficient of 58.7 %.
|
|
|
Detection of intracranial hemorrhages in head CT data
Nemček, Jakub ; Jan, Jiří (oponent) ; Jakubíček, Roman (vedoucí práce)
This thesis deals with the detection of intracranial haemorrhages and their type classification in head CT images. The method of haemorrhages detection is based on a series of classifiers of the presence and type of haemorrhages in 2D CT slices in axial, sagittal and coronal plane, that may localise the bleedings and determine their types. The classifiers are based on the convolutional neural network architecture Inception-ResNet-v2. The head CT dataset CQ500 which is made available for public access, is used for the experiments. The thesis describes an additional manual annotation of the data, as the available annotations are insufficient for the purposes of the experiments. This thesis includes a theoretical basis of the essential medical knowledge, machine learning based classification and detection methods, and the detection algorithm proposal, realisation and testing. The algorithm performance is evaluated and discussed together with the potential implementation of the algorithm in computer-aided diagnosis systems.
|
host ::
RSS.