|
|
Segmentace tomografických dat v prostředí 3D Slicer
Korčuška, Robert ; Dvořák, Pavel (oponent) ; Mikulka, Jan (vedoucí práce)
Táto práca obsahuje základný teoretický rozbor segmentácie obrazu pomocou techniky SVM, teóriu klasifikácie dát a popis programu 3D Slicer. Práca popisuje spracovanie medicínskych obrazov a demonštruje problematiku segmentácie týchto obrazov. Obsahuje návrh a implementáciu metódy SVM v programe 3D Slicer ako rozširovací modul programu. SVM metóda je porovnaná s jednoduchými segmentačnými metódami programu 3D Slicer. Experimentálne je overená kvalita segmentácie metódou SVM na reálnych subjektoch.
|
|
|
Analýza odezvy laboratorního modelu kolejiště
Heteš, Marek ; Věchet, Stanislav (oponent) ; Kšica, Filip (vedoucí práce)
Z hľadiska bezpečnosti je potrebné udržiavať železničné dráhy v dobrej kondícii. Včasná a presná detekcia porúch dokáže pri údržbe ušetriť čas aj peniaze. Táto práca sa zaoberá simuláciou prejazdu vlaku na laboratórnom prípravku a meraním vzniknutej odozvy. Prípravok reprezentuje zmenšenú časť železničnej dráhy, a umožňuje simulovať vznik rôznych porúch. Na základe získaných dát bol hľadaný vhodný spôsob, ktorý umožní vznik porúch detekovať.
|
|
|
Analýza odezvy laboratorního modelu kolejiště
Heteš, Marek ; Věchet, Stanislav (oponent) ; Kšica, Filip (vedoucí práce)
Z hľadiska bezpečnosti je potrebné udržiavať železničné dráhy v dobrej kondícii. Včasná a presná detekcia porúch dokáže pri údržbe ušetriť čas aj peniaze. Táto práca sa zaoberá simuláciou prejazdu vlaku na laboratórnom prípravku a meraním vzniknutej odozvy. Prípravok reprezentuje zmenšenú časť železničnej dráhy, a umožňuje simulovať vznik rôznych porúch. Na základe získaných dát bol hľadaný vhodný spôsob, ktorý umožní vznik porúch detekovať.
|
|
|
The Depth of Functional Data.
Nagy, Stanislav ; Hlubinka, Daniel (vedoucí práce) ; Omelka, Marek (oponent)
Hĺbková funkcia (resp. funkcionál) je moderný neparametrický nástroj štatistickej analýzy (konečnorozmerných) dát s množstvom praktických aplikácií. V práci sa zameriame na možnosti rozšírenia konceptu hĺbky na prípad funkcionálnych dát. V prípade konečnorozmerných funkcionálnych dát využijeme izomorfizmus priestoru funkcií a konečnorozmerného euklidovského priestoru, čo nám umožní zaviesť indukované hĺbky funkcionálnych dát. Dokážeme tvrdenie o vlastnostiach indukovaných hĺbok a na príkladoch si ukážeme možnosti a obmedzenia ich praktického použitia. Ďalej popíšeme a na jednoduchých príkladoch ukážeme výhody aj nevýhody zavedených hĺbkových funkcionálov používaných v literatúre (Fraimanových-Munizovej hĺbok a pásových hĺbok). Na odstránenie najväčšej vyvstávajúcej nevýhody známych hĺbok pre funkcionálne dáta zavedieme novú, K-pásovú hĺbku založenú na rozšírení inferencie zo spojitých na hladké funkcie. Odvodíme niekoľko dôležitých vlastností a na záverečnej simulačnej štúdií ukážeme na príklade riadenej klasifikácie funkcionálnych dát praktickú výhodnosť nového prístupu oproti predchádzajúcim. Na záver porovnáme výpočetnú náročnosť všetkých predstavených hĺbkových funkcionálov.
|
|
|
The Depth of Functional Data.
Nagy, Stanislav ; Hlubinka, Daniel (vedoucí práce) ; Omelka, Marek (oponent)
Hĺbková funkcia (resp. funkcionál) je moderný neparametrický nástroj štatistickej analýzy (konečnorozmerných) dát s množstvom praktických aplikácií. V práci sa zameriame na možnosti rozšírenia konceptu hĺbky na prípad funkcionálnych dát. V prípade konečnorozmerných funkcionálnych dát využijeme izomorfizmus priestoru funkcií a konečnorozmerného euklidovského priestoru, čo nám umožní zaviesť indukované hĺbky funkcionálnych dát. Dokážeme tvrdenie o vlastnostiach indukovaných hĺbok a na príkladoch si ukážeme možnosti a obmedzenia ich praktického použitia. Ďalej popíšeme a na jednoduchých príkladoch ukážeme výhody aj nevýhody zavedených hĺbkových funkcionálov používaných v literatúre (Fraimanových-Munizovej hĺbok a pásových hĺbok). Na odstránenie najväčšej vyvstávajúcej nevýhody známych hĺbok pre funkcionálne dáta zavedieme novú, K-pásovú hĺbku založenú na rozšírení inferencie zo spojitých na hladké funkcie. Odvodíme niekoľko dôležitých vlastností a na záverečnej simulačnej štúdií ukážeme na príklade riadenej klasifikácie funkcionálnych dát praktickú výhodnosť nového prístupu oproti predchádzajúcim. Na záver porovnáme výpočetnú náročnosť všetkých predstavených hĺbkových funkcionálov.
|
|
|
Segmentace tomografických dat v prostředí 3D Slicer
Korčuška, Robert ; Dvořák, Pavel (oponent) ; Mikulka, Jan (vedoucí práce)
Táto práca obsahuje základný teoretický rozbor segmentácie obrazu pomocou techniky SVM, teóriu klasifikácie dát a popis programu 3D Slicer. Práca popisuje spracovanie medicínskych obrazov a demonštruje problematiku segmentácie týchto obrazov. Obsahuje návrh a implementáciu metódy SVM v programe 3D Slicer ako rozširovací modul programu. SVM metóda je porovnaná s jednoduchými segmentačnými metódami programu 3D Slicer. Experimentálne je overená kvalita segmentácie metódou SVM na reálnych subjektoch.
|
host ::
RSS.