|
|
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.
|
|
|
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.
|
|
|
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.
|
|
|
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.
|
host ::
RSS.