|
|
Aplikace pro autentizaci osob na základě snímků sítnice
Moncz, Oliver ; Goldmann, Tomáš (oponent) ; Kavetskyi, Andrii (vedoucí práce)
Tato práce se zaobírá problémem autentizace osob na základě snímků sítnice. Hlavním cílem je navrhnout algoritmus, který dokáže porovnat snímek sítnice s registrovanými snímky v databázi. Výstupem je potom určení totožnosti s mírou jistoty. Dalším cílem bylo vytvořit aplikaci, která přes jednoduché grafické uživatelské prostředí umožní provádět zmíněné operace. Nakonec jsou vyhodnoceny výsledky a porovnány s již existujícími řešeními. Navržený autentizační systém dosáhl průměrné přesnosti 72,46 % pro datasety DRIVE a STARE, pro dataset FIRE dosáhl 78,9 %.
|
|
|
Using unlabeled data for retinal segmentation
Shemshur, Andrii ; Jakubíček, Roman (oponent) ; Vičar, Tomáš (vedoucí práce)
This bachelor's thesis is concerned with the development and evaluation of advanced methods for medical image segmentation in the context of limited training data. The study examines supervised learning techniques employing Convolutional Neural Networks (CNNs), transfer learning with pre-trained models, and semi-supervised learning strategies. A supervised convolutional neural network (CNN) model based on the U-Net architecture was employed as the baseline, achieving a Dice coefficient of 77.6\% and an intersection over union (IoU) of 63.4%. The application of transfer learning using a ResNet34 encoder pre-trained on ImageNet led to a notable improvement in performance, with a Dice coefficient of 81.9%, an IoU of 69.3%, and an accuracy of 96.7%. Furthermore, semi-supervised learning strategies, including pseudo-labeling and denoising pretraining, were employed to enhance the model's performance. The pseudo-labeling approach yielded a Dice coefficient of 81.7% and an IoU of 69.1%, thereby demonstrating the efficacy of leveraging unlabeled data. The denoising pretraining approach demonstrated robust performance, achieving a Dice coefficient of 80.3% and an IoU of 67.0%, even in the presence of noisy and unlabeled data. These outcomes underscore the potential of transfer learning and semi-supervised methods to enhance segmentation accuracy in medical image analysis. They provide a robust foundation for future research in this field.
|
|
|
Klasifikace cévního řečiště na snímcích sítnice
Tebenkova, Iuliia ; Kolář, Radim (oponent) ; Odstrčilík, Jan (vedoucí práce)
Analýza snímků sítnice má důležitý význam, protože člověk získá kolem 90 % informací z okolí přes oči. Automatizace procesů analýzy zobrazení sítnice přispívá ke zlepšení efektivity lékařských retinálních vyšetření. Tato diplomová práce se zabývá automatickými metodami klasifikace snímků cévního řečiště retiny pořízených digitální fundus kamerou. Je prozkoumána a implementována metoda klasifikace cévního řečiště s použitím klasifikátoru na základě neuronových sítí, které se trénují a pak se testují na úsecích cév retinálního řečiště. Ve stručnosti je v této práci popsán anatomický pohled na sítnici, vlastnosti obrazových dat z digitální fundus kamery a metody klasifikace retinálních snímků. Poslední kapitola se zabývá hodnocením úspěšnosti klasifikace cévního řečiště automatickými metodami.
|
|
|
Lokalizace optického disku na snímcích sítnice
Pěchotová, Barbora ; Kolář, Radim (oponent) ; Odstrčilík, Jan (vedoucí práce)
Tato práce se zabývá analýzou retinálních snímků z digitální fundus kamery, zejména vlastnostmi struktury optického disku (OD). Teoreticky popisuje základní vlastnosti lidského zrakového systému a princip vyšetření očního pozadí, jehož výstupem jsou právě zkoumané retinální snímky. V práci jsou zmíněny dostupné metody, které již byly pro lokalizaci OD použity. V druhé části je navržen automatický detektor optického disku, založený na principu genetických algoritmů s využitím segmentace cévního řečiště sítnice. Tato metoda je otestována na snímcích databáze.
|
|
|
Lokalizace optického disku na snímcích sítnice
Pěchotová, Barbora ; Kolář, Radim (oponent) ; Odstrčilík, Jan (vedoucí práce)
Tato práce se zabývá analýzou retinálních snímků z digitální fundus kamery, zejména vlastnostmi struktury optického disku (OD). Teoreticky popisuje základní vlastnosti lidského zrakového systému a princip vyšetření očního pozadí, jehož výstupem jsou právě zkoumané retinální snímky. V práci jsou zmíněny dostupné metody, které již byly pro lokalizaci OD použity a je vybrána metoda pro další práci s obrazovými daty. Práce se podrobněji zabývá vybranou metodou detekce OD pomocí geometrického modelu s využitím segmentace cévního řečiště pomocí metody založené na přizpůsobené filtraci. Na originálních snímcích z dostupné databáze je otestována navržená semiautomatická metoda pro lokalizaci polohy optického disku.
|
|
|
Pokročilé metody segmentace cévního řečiště na fotografiích sítnice
Svoboda, Ondřej ; Jan, Jiří (oponent) ; Odstrčilík, Jan (vedoucí práce)
Segmentace cévního řečiště je častým krokem při zpracování retinálních obrazů. V dnešní době existuje řada automatických metod segmentace cévního řečiště. Tyto metody jsou založeny na mnoha přístupech. Od přizpůsobené filtrace, přes metody využívající rozpoznávání vzorů, až po algoritmy využívající klasifikace obrazu. Použití automatických metod při zpracování retinálních snímků výrazně urychluje a zjednodušuje diagnostiku retinálních onemocnění. Při zpracování automatickými segmentačními algoritmy je jednou ze stěžejních částí prahování obrazu, a právě prahování fundus snímků se věnuje tato práce. Je zde popsána řada prací využívajících globální a lokální prahovací metody, a zejména metody klasifikace obrazu pro segmentaci cévního řečiště ze snímků sítnice. Následně byla na výsledky dvou metod segmentace cévního řečiště použita metoda klasifikace obrazu s učením. Z dosažených výsledků byla posléze stanovena schopnost daných metod segmentovat cévní řečiště. Použitím klasifikace obrazu namísto globálního prahování došlo u první metody na zdravé části databáze k poklesu sensitivity na 63,32 % a přesnosti na 94,99 %. Naopak u specificity byl zaznamenán nárůst na 95,75 %. U druhé metody bylo dosaženo sensitivity 69,24 %, specificity 98,86 % a přesnosti 95,29 %. Kombinací výsledků obou metod bylo dosaženo sensitivity 72,48 %, specificity 98,59 % a výsledné přesnosti 95,75 %. Tímto nebyl s použitím daného klasifikátoru potvrzen předpoklad, že klasifikace obrazu s učením je oproti prostému prahování efektivnější. Zároveň bylo však prokázáno, že rozšíření příznakového vektoru kombinací výsledků z obou metod došlo k nárůstu sensitivity, specificity i přesnosti.
|
|
|
Analýza snímků sítnice se zaměřením na detekci patologických oblastí
Hartlová, Marie ; Kolář, Radim (oponent) ; Odstrčilík, Jan (vedoucí práce)
Diabetická retinopatie je vážnou oční komplikací diabetu mellitus a jedním z hlavních důvodů slepoty na světě. Tato práce se zabývá hledáním neovaskularizací, které jsou prvním projevem diabetické retinopatie na sítnici. Ve stručnosti se v této práci popisují vlastnosti obrazových dat z digitální fundus kamery, metody segmentace obrazu, metody automatické segmentace cévního řečiště a detekce neovaskularizací.Tyto informace byly využity pro vytvoření vlastního programu pro detekci neovaskularizací.
|
|
|
Processing of high-resolution retinal images
Vraňáková, Sofia ; Chmelík, Jiří (oponent) ; Valterová, Eva (vedoucí práce)
The master’s thesis is focused on the processing of high-resolution retinal images. The aim of this work is to obtain images of higher quality from a sequence of low-quality frames. The frames are first pre-processed by using bilateral filtering and contrast enhancement. The shift between the frames in the imaging sequence is estimated using phase correlation, and these frames are then fused together using the averaging through the frames and the super-resolution technique, more specifically regularization based on bilateral total variance. The resulting median quality scores of obtained images are PIQUE 0.2600, NIQE 0.0701, and BRISQUE 0.3936 for the averaging technique and PIQUE 0.1063, NIQE 0.0507, and BRISQUE 0.1570 for super-resolution technique.
|
|
|
Segmentace cévního řečiště ve snímcích sítnice metodami hlubokého učení
Serečunová, Stanislava ; Vičar, Tomáš (oponent) ; Kolář, Radim (vedoucí práce)
Táto diplomová práca sa zaoberá využitím hlbokých neurónových sietí so zameraním na segmentáciu obrazu. Teoretická časť obsahuje popis hlbokých neurónových sietí a súhrn využívaných architektúr konvolučných sietí v oblasti segmentácie objektov z obrazu. V praktickej časti bola testovaním existujúcich príkladov používaných architektúr sietí naštudovaná open-source softwarová knižnica pre strojové učenie Tensorflow, implementovaná v programovacom jazyku Python. Obecným problémom použitia konvolučných neurónových sietí je požadované veľké množstvo vstupných dát. Z tohto dôvodu bola vytvorená nová dátová sada skladajúca sa z kombinácie piatich voľne dostupných databáz. Zvolená architektúra siete U-net bola testovaná prvou modifikáciou novo vytvorenej dátovej sady. Na základe výsledkov je zvolená architektúra siete modifikovaná, vďaka čomu bola vytvorená nová sieť, ktorá dosahuje lepšie výsledky než originálna sieť. Modifikovaná architektúra je následne trénovaná na vytvorenej dátovej sade, ktorá obsahuje snímky z rôznych typov fundus kamier. Natrénovaná sieť je vďaka tomuto prístupu vo výsledku robustnejšia a umožňuje segmentaciu cievneho riečiska snímkov z rôznymi parametrami. Modifikovaná architektúra bola otestovaná na databázach STARE, CHASE a HRF. Výsledky boli porovnané z publikovanými metódami segmentácie z literatúry, založených na konvolučných neurónových sieťach, ale aj klasickými metódami segmentácie. Vytvorená sieť vykazuje vysokú úspešnosť segmentácie cievneho riečiska porovnateľnú so state-of-the-art metódami.
|
|
|
Segmentace cévního řečiště na snímcích sítnice pomocí klasifikačních technik
Šťastný, Pavel ; Štohanzlová, Petra (oponent) ; Odstrčilík, Jan (vedoucí práce)
Segmentace cévního řečiště na snímcích sítnice je velmi důležitá pro hodnocení a dia-gnostiku očních onemocnění, převážně diabetické retinopatie a glaukomu. Tato práce se za-bývá segmentací cévního řečiště pomocí klasifikačních metod. Pro kvalifikaci bylo použito jednoduché neuronové sítě. Nejdříve byla učena, pomocí delta pravidla, a poté byla apliková-na na předem připravený snímek přizpůsobenou filtrací. Po klasifikaci byl snímek ještě upraven a prahován. Nakonec bylo vše porovnáno se zlatým standardem. Průměrné hodnoty z hodnocení pro zdravé snímky byly senzitivita 0,7717, specificita 0,9571 a přesnost hodno-cení 0,9225.
|
host ::
RSS.