|
|
Množení Paeonia suffruticosa v podmínkách in vitro
Klapcová, Gabriela
Metoda rostlinných explantátů je bezesporu klíčovým způsobem pěstování budoucnosti, rostliny takto pěstované by proto mohly mít velmi vysoký potenciál z hlediska jednoduššího pěstování, rychlosti a úspěšnosti. Samozřejmě s přihlédnutím k finanční náročnosti na metodu in vitro. Zejména pak dřevité pivoňky, které pro složitý a zdlouhavý proces pěstování téměř vymizely z trhu. Proto byl založen pokus, který měl zvládnout těžkosti se založením kultur Paeonia sufruticosa Andr., zejména s odbouráním vyloučených fenolických látek za přidání antioxidačních činidel, kyseliny citronové a askorbové, a volby vhodných médií ke kultivaci (Quoirin & Levoipre, 1977; WPM Lloyd & McCown, 1980). Bohužel se založený experiment nesetkal s úspěchem z důvodu postupného odumírání všech založených explantátů, ať již z důvodu kontaminantů nebo právě odumřením kvůli vylučování toxických exsudátů.
|
|
|
Detekce onemocnění způsobených diabetem na snímcích sítnice
Zapletal, Michal ; Semerád, Lukáš (oponent) ; Kavetskyi, Andrii (vedoucí práce)
Cílem této práce je návrh a implementace algoritmu na detekci exsudátů a mikroaneurysmat na barevných snímcích sítnice. Tato onemocnění jsou prvními projevy diabetické retinopatie a včasné diagnostikování je stěžejní. Navržený algoritmus začíná předzpracováním, kde je odstraněno přebytečné pozadí, zvýšen kontrast pomocí CLAHE a histogram stretching a filtrování šumu. Lokalizace optického disku je založena na iterativním odstranění pozadí a řádkových a sloupcových rozptylech. Detekce exsudátů probíhá na základě gamma korekce, prahování a odstranění optického disku. Detekce mikroaneurysmat je založena na morfologických operacích, hit-or-miss transformaci a principal component analysis (PCA). Testováno bylo celkem na 4 datových sadách s přesností 73,1 % pro exsudáty a 73,3 % pro mikroaneurysmata. Výsledný program by mohl pomoci k automatické detekci onemocnění, které by mohlo ušetřit samotným lékařům čas.
|
|
|
Detekce patologií na snímcích sítnice oka
Hurta, David ; Drahanský, Martin (oponent) ; Kavetskyi, Andrii (vedoucí práce)
Cílem této práce je návrh a implementace algoritmu detekce mikroaneuryzmat, tvrdých exsudátů a měkkých exsudátů na barevných snímcích sítnice. Byl navržen algoritmus detekce objektů na základě hlubokého učení. Byla použita architektura Faster R-CNN s příznakovou pyramidovou sítí a předem vyučenou reziduální sítí společně s různými metodami transformace dat. Bylo využito celkově šesti datových sad snímků sítnic k trénování, ověřování a testování modelů. Vyučené modely dosáhly během testování hodnoty 0.46 střední průměrné přesnosti (mAP) při detekci mikroaneuryzmat a hodnoty 0.48 mAP během detekce exsudátů. Výsledné modely byly porovnány s publikovanými články a umožňují s chvályhodnou přesností detekovat dané patologie.
|
|
|
Detekce patologií na snímcích sítnice oka
Hurta, David ; Drahanský, Martin (oponent) ; Kavetskyi, Andrii (vedoucí práce)
Cílem této práce je návrh a implementace algoritmu detekce mikroaneuryzmat, tvrdých exsudátů a měkkých exsudátů na barevných snímcích sítnice. Byl navržen algoritmus detekce objektů na základě hlubokého učení. Byla použita architektura Faster R-CNN s příznakovou pyramidovou sítí a předem vyučenou reziduální sítí společně s různými metodami transformace dat. Bylo využito celkově šesti datových sad snímků sítnic k trénování, ověřování a testování modelů. Vyučené modely dosáhly během testování hodnoty 0.46 střední průměrné přesnosti (mAP) při detekci mikroaneuryzmat a hodnoty 0.48 mAP během detekce exsudátů. Výsledné modely byly porovnány s publikovanými články a umožňují s chvályhodnou přesností detekovat dané patologie.
|
host ::
RSS.