National Repository of Grey Literature 5 records found  Search took 0.01 seconds. 
Optimization algorithms for inverse heat exchange problems
Ibehej, David ; Dobrovský, Ladislav (referee) ; Kůdela, Jakub (advisor)
This thesis addresses the issue of inverse heat transfer and its solution through optimization. The study focuses on the application of various evolutionary algorithms and their combinations, which are implemented and used to solve the selected problem. In the practical part, models approximating the curve of the material’s effective thermal capacity are designed, and these models are optimized using evolutionary algorithms with the aim of minimizing the difference between simulated and experimental data. Finally, the resulting models and algorithms are compared in terms of their accuracy and efficiency.
DEEP LEARNING FOR SINGLE-VOXEL AND MULTIDIMENSIONAL MR-SPECTROSCOPIC SIGNAL QUANTIFICATION, AND ITS COMPARISON WITH NONLINEAR LEAST-SQUARES FITTING
Shamaei, Amirmohammad ; Latta,, Peter (referee) ; Kozubek, Michal (referee) ; Jiřík, Radovan (advisor)
Pro získání koncentrace metabolitů ve vyšetřované tkáni ze signálů magnetické rezonanční spektroskopie (MRS) je nezbytné provézt předzpracování, analýzu a kvantifikaci MRS signálu. Rychlý, přesný a účinný proces zpracování (předzpracování, analýza a kvantifikace) MRS dat je však náročný. Tato práce představuje nové přístupy pro předzpracování, analýzu a kvantifikaci MRS dat založené na hlubokém učení (DL). Navržené metody potvrdily schopnost použití DL pro robustní předzpracování dat, rychlou a efektivní kvantifikaci MR spekter, odhad koncentrací metabolitů in vivo a odhad nejistoty kvantifikace. Navržené přístupy výrazně zlepšily rychlost předzpracování a kvantifikace MRS signálu a prokázaly možnost použití DL bez učitele. Z hlediska přesnosti byly získány výsledky srovnatelné s tradičními metodami. Dále byl zaveden standardní formát dat, který usnadňuje sdílení dat mezi výzkumnými skupinami pro aplikace umělé inteligence. Výsledky této studie naznačují, že navrhované přístupy založené na DL mají potenciál zlepšit přesnost a efektivitu zpracování MRS dat pro lékařskou diagnostiku. Disertační práce je rozdělena do čtyř částí: úvodu, přehledu současného stavu výzkumu, shrnutí cílů a úkolů a souboru publikací, které představují autorův přínos v oblasti aplikací DL v MRS.
Improvement of the Biomedical Image Reconstruction Methodology Based on Impedance Tomography
Kořínková, Ksenia ; Bartušek, Karel (referee) ; Bachorec, Tibor (referee) ; Dědková, Jarmila (advisor)
Disertační práce, jež má teoretický charakter, je zaměřena na vylepšení a výzkum algoritmů pro zobrazování vnitřní struktury vodivých objektů, hlavně biologických tkání a orgánů pomocí elektrické impedanční tomografie (EIT). V práci je formulován teoretický rámec EIT. Dále jsou prezentovány a porovnány algoritmy pro řešení inverzní úlohy, které zajišťují efektivní rekonstrukci prostorového rozložení elektrických vlastností ve zkoumaném objektu a jejích zobrazení. Hlavní myšlenka vylepšeného algoritmu, který je založen na deterministickém přístupu, spočívá v zavedení dodatečných technik: level set a nebo fuzzy filtru. Kromě toho, je ukázána metoda 2-D rekonstrukce rozložení konduktivity z jediného komponentu magnetického pole a to konkrétně z-tové složky magnetického toku. Byly vytvořeny numerické modely biologické tkáně s určitým rozložení admitivity (nebo konduktivity) pro otestování těchto algoritmů. Výsledky získané z rekonstrukcí pomocí vylepšených algoritmů jsou ukázány a porovnány.
DEEP LEARNING FOR SINGLE-VOXEL AND MULTIDIMENSIONAL MR-SPECTROSCOPIC SIGNAL QUANTIFICATION, AND ITS COMPARISON WITH NONLINEAR LEAST-SQUARES FITTING
Shamaei, Amir Mohammad ; Latta,, Peter (referee) ; Kozubek, Michal (referee) ; Jiřík, Radovan (advisor)
Pro získání koncentrace metabolitů ve vyšetřované tkáni ze signálů magnetické rezonanční spektroskopie (MRS) je nezbytné provézt předzpracování, analýzu a kvantifikaci MRS signálu. Rychlý, přesný a účinný proces zpracování (předzpracování, analýza a kvantifikace) MRS dat je však náročný. Tato práce představuje nové přístupy pro předzpracování, analýzu a kvantifikaci MRS dat založené na hlubokém učení (DL). Navržené metody potvrdily schopnost použití DL pro robustní předzpracování dat, rychlou a efektivní kvantifikaci MR spekter, odhad koncentrací metabolitů in vivo a odhad nejistoty kvantifikace. Navržené přístupy výrazně zlepšily rychlost předzpracování a kvantifikace MRS signálu a prokázaly možnost použití DL bez učitele. Z hlediska přesnosti byly získány výsledky srovnatelné s tradičními metodami. Dále byl zaveden standardní formát dat, který usnadňuje sdílení dat mezi výzkumnými skupinami pro aplikace umělé inteligence. Výsledky této studie naznačují, že navrhované přístupy založené na DL mají potenciál zlepšit přesnost a efektivitu zpracování MRS dat pro lékařskou diagnostiku. Disertační práce je rozdělena do čtyř částí: úvodu, přehledu současného stavu výzkumu, shrnutí cílů a úkolů a souboru publikací, které představují autorův přínos v oblasti aplikací DL v MRS.
Improvement of the Biomedical Image Reconstruction Methodology Based on Impedance Tomography
Kořínková, Ksenia ; Bartušek, Karel (referee) ; Bachorec, Tibor (referee) ; Dědková, Jarmila (advisor)
Disertační práce, jež má teoretický charakter, je zaměřena na vylepšení a výzkum algoritmů pro zobrazování vnitřní struktury vodivých objektů, hlavně biologických tkání a orgánů pomocí elektrické impedanční tomografie (EIT). V práci je formulován teoretický rámec EIT. Dále jsou prezentovány a porovnány algoritmy pro řešení inverzní úlohy, které zajišťují efektivní rekonstrukci prostorového rozložení elektrických vlastností ve zkoumaném objektu a jejích zobrazení. Hlavní myšlenka vylepšeného algoritmu, který je založen na deterministickém přístupu, spočívá v zavedení dodatečných technik: level set a nebo fuzzy filtru. Kromě toho, je ukázána metoda 2-D rekonstrukce rozložení konduktivity z jediného komponentu magnetického pole a to konkrétně z-tové složky magnetického toku. Byly vytvořeny numerické modely biologické tkáně s určitým rozložení admitivity (nebo konduktivity) pro otestování těchto algoritmů. Výsledky získané z rekonstrukcí pomocí vylepšených algoritmů jsou ukázány a porovnány.

Interested in being notified about new results for this query?
Subscribe to the RSS feed.