|
|
Deep Learning Model Uncertainty in Medical Image Analysis
Drevický, Dušan ; Kolář, Martin (referee) ; Kodym, Oldřich (advisor)
Táto práca sa zaoberá určením neistoty v predikciách modelov hlbokého učenia. Aj keď sa týmto modelom darí dosahovať vynikajúce výsledky v mnohých oblastiach počítačového videnia, ich výstupy sú väčšinou deterministické a neposkytujú mnoho informácií o tom, ako si je model istý svojou predpoveďou. To je obzvlášť dôležité pri analýze lekárskych obrazových dát, kde môžu mať omyly vysokú cenu a schopnosť detekovať neisté predikcie by umožnila dohliadajúcemu lekárovi spracovať relevantné prípady manuálne. V tejto práci aplikujem niekoľko rôznych metrík vyvinutých v nedávnom výskume pre určenie neistoty na modely hlbokého učenia natrénované pre lokalizáciu cefalometrických landmarkov. Následne ich vyhodnotím a porovnávam v sade experimentov, ktorých úlohou je určiť, nakoľko jednotlivé metriky poskytujú užitočnú informáciu o tom, ako si je model istý svojou predpoveďou.
|
|
|
Deep Learning Model Uncertainty in Medical Image Analysis
Drevický, Dušan ; Kolář, Martin (referee) ; Kodym, Oldřich (advisor)
Táto práca sa zaoberá určením neistoty v predikciách modelov hlbokého učenia. Aj keď sa týmto modelom darí dosahovať vynikajúce výsledky v mnohých oblastiach počítačového videnia, ich výstupy sú väčšinou deterministické a neposkytujú mnoho informácií o tom, ako si je model istý svojou predpoveďou. To je obzvlášť dôležité pri analýze lekárskych obrazových dát, kde môžu mať omyly vysokú cenu a schopnosť detekovať neisté predikcie by umožnila dohliadajúcemu lekárovi spracovať relevantné prípady manuálne. V tejto práci aplikujem niekoľko rôznych metrík vyvinutých v nedávnom výskume pre určenie neistoty na modely hlbokého učenia natrénované pre lokalizáciu cefalometrických landmarkov. Následne ich vyhodnotím a porovnávam v sade experimentov, ktorých úlohou je určiť, nakoľko jednotlivé metriky poskytujú užitočnú informáciu o tom, ako si je model istý svojou predpoveďou.
|
|
|
Segmentation of cells from microscopic images
Lašan, Michal ; Soukup, Jindřich (advisor) ; Blažek, Jan (referee)
In this thesis, we present a new method for the automatic segmentation of mammalian cancer cells from time-lapse images obtained by a microscope based on phase contrast. This method is a pipeline composed of basic techniques from the field of image processing, mathematical morphology and the theory of graphs. Its main idea is to utilize the presence of halo artifacts around the cells, which cause the boundaries between the cells to be lighter than the rest of the image. It follows up to the method proposed by Jindřich Soukup which is able to separate the cells from the background. We compare this method to the watershed - a publicly available algorithm from the field of mathematical morphology. We use segmentation by a human expert as the ground truth. The presented method is implemented in MATLAB and Java with a simple and intuitive interface. We also attach a straightforward GUI editor of segmentation written in Java, with the help of which a user can correct imprecisions in the segmentation, or even create their own manual segmentation. Powered by TCPDF (www.tcpdf.org)
|
|
|
Approximating Probability Densities by Mixtures of Gaussian Dependence Trees
Grim, Jiří
Considering the probabilistic approach to practical problems we are increasingly confronted with the need to estimate unknown multivariate probability density functions from large high-dimensional databases produced by electronic devices. The underlying densities are usually strongly multimodal and therefore mixtures of unimodal density functions suggest themselves as a suitable approximation tool. In this respect the product mixture models are preferable because they can be efficiently estimated from data by means of EM algorithm and have some advantageous properties. However, in some cases the simplicity of product components could appear too restrictive and a natural idea is to use a more complex mixture of dependence-tree densities. The dependence tree densities can explicitly describe the statistical relationships between pairs of variables at the level of individual components and therefore the approximation power of the resulting mixture may essentially increase.
|
guest ::
