|
|
Evaluation of targets in shooting range based on image data
Sujová, Sára ; Šťastný, Jiří (referee) ; Škrabánek, Pavel (advisor)
The thesis describes the design and implementation of a computer vision system for evaluating targets on the shooting range using image data. The program respects the restrictions based on safety measures established by the the shooting range manager and uses an uniform system of lighting and camera placement. The work consists of several parts. The first part is the creation of the dataset and its annotation. The second part is the creation of the program. The program includes a photo of the target, which is suitably edited and divided into sub-areas in the pre-processing phase. These sub-regions are then iteratively processed by the U-NET network, which produces segmentation maps that are subsequently combined into the resulting map. The positions of the detected shots are obtained from this map. In the last part of the program, a point evaluation of the shooting session is obtained.
|
|
|
Segmentation of multiple sclerosis lesions using deep neural networks
Sasko, Dominik ; Myška, Vojtěch (referee) ; Kolařík, Martin (advisor)
Hlavným zámerom tejto diplomovej práce bola automatická segmentácia lézií sklerózy multiplex na snímkoch MRI. V rámci práce boli otestované najnovšie metódy segmentácie s využitím hlbokých neurónových sietí a porovnané prístupy inicializácie váh sietí pomocou preneseného učenia (transfer learning) a samoriadeného učenia (self-supervised learning). Samotný problém automatickej segmentácie lézií sklerózy multiplex je veľmi náročný, a to primárne kvôli vysokej nevyváženosti datasetu (skeny mozgov zvyčajne obsahujú len malé množstvo poškodeného tkaniva). Ďalšou výzvou je manuálna anotácia týchto lézií, nakoľko dvaja rozdielni doktori môžu označiť iné časti mozgu ako poškodené a hodnota Dice Coefficient týchto anotácií je približne 0,86. Možnosť zjednodušenia procesu anotovania lézií automatizáciou by mohlo zlepšiť výpočet množstva lézií, čo by mohlo viesť k zlepšeniu diagnostiky individuálnych pacientov. Našim cieľom bolo navrhnutie dvoch techník využívajúcich transfer learning na predtrénovanie váh, ktoré by neskôr mohli zlepšiť výsledky terajších segmentačných modelov. Teoretická časť opisuje rozdelenie umelej inteligencie, strojového učenia a hlbokých neurónových sietí a ich využitie pri segmentácii obrazu. Následne je popísaná skleróza multiplex, jej typy, symptómy, diagnostika a liečba. Praktická časť začína predspracovaním dát. Najprv boli skeny mozgu upravené na rovnaké rozlíšenie s rovnakou veľkosťou voxelu. Dôvodom tejto úpravy bolo využitie troch odlišných datasetov, v ktorých boli skeny vytvárané rozličnými prístrojmi od rôznych výrobcov. Jeden dataset taktiež obsahoval lebku, a tak bolo nutné jej odstránenie pomocou nástroju FSL pre ponechanie samotného mozgu pacienta. Využívali sme 3D skeny (FLAIR, T1 a T2 modality), ktoré boli postupne rozdelené na individuálne 2D rezy a použité na vstup neurónovej siete s enkodér-dekodér architektúrou. Dataset na trénovanie obsahoval 6720 rezov s rozlíšením 192 x 192 pixelov (po odstránení rezov, ktorých maska neobsahovala žiadnu hodnotu). Využitá loss funkcia bola Combo loss (kombinácia Dice Loss s upravenou Cross-Entropy). Prvá metóda sa zameriavala na využitie predtrénovaných váh z ImageNet datasetu na enkodér U-Net architektúry so zamknutými váhami enkodéra, resp. bez zamknutia a následného porovnania s náhodnou inicializáciou váh. V tomto prípade sme použili len FLAIR modalitu. Transfer learning dokázalo zvýšiť sledovanú metriku z hodnoty približne 0,4 na 0,6. Rozdiel medzi zamknutými a nezamknutými váhami enkodéru sa pohyboval okolo 0,02. Druhá navrhnutá technika používala self-supervised kontext enkodér s Generative Adversarial Networks (GAN) na predtrénovanie váh. Táto sieť využívala všetky tri spomenuté modality aj s prázdnymi rezmi masiek (spolu 23040 obrázkov). Úlohou GAN siete bolo dotvoriť sken mozgu, ktorý bol prekrytý čiernou maskou v tvare šachovnice. Takto naučené váhy boli následne načítané do enkodéru na aplikáciu na náš segmentačný problém. Tento experiment nevykazoval lepšie výsledky, s hodnotou DSC 0,29 a 0,09 (nezamknuté a zamknuté váhy enkodéru). Prudké zníženie metriky mohlo byť spôsobené použitím predtrénovaných váh na vzdialených problémoch (segmentácia a self-supervised kontext enkodér), ako aj zložitosť úlohy kvôli nevyváženému datasetu.
|
|
|
Segmetation of tomographic data in 3D Slicer
Korčuška, Robert ; Dvořák, Pavel (referee) ; Mikulka, Jan (advisor)
This thesis contains basic theoretical information about SVM-based image segmentation and data classification. Basic information about 3D Slicer software are presented. Aspects of medical images segmentation are described. Workplan and implemetation of SVM method for MRI segmentation in 3D Slicer sofware as extension module is created. SVM method is compared with simple segmentation algorithms included in 3D Slicer. Quality of segmentation, based on SVM, tested on real subjects is experimentaly demonstrated.
|
|
|
Application of optimisation methods for MRI data segmentation
Olešová, Kristína ; Mézl, Martin (referee) ; Chmelík, Jiří (advisor)
This thesis deals with a segmentation of brain tissues from MRI image data and its implementation in MATLAB. Segmentation problematic is described with attention to formulating segmentation as optimization problem and segmentation of given images with different metaheuristic algorithm consequently. This approach was chosen due to information from last specialized publications, where it was accentuated for its fast computational speed and universality. This thesis tries to prove this statement with segmentation of brain images with brain tumours that have different types, number, stage of illness and phase of therapy.
|
|
|
Interactive Human Tissues 3D Modelling by CT/MR Data
Zachar, Lukáš ; Štancl, Vít (referee) ; Kršek, Přemysl (advisor)
The aim of this thesis is to create a system, which would make a 3D model of tissues based on CT or MRI scans. Input data is in the DICOM format. Selection of tissues is done by the user by specifying range of values in scans. The current selection is highlighted. The creation of polygonal model is done by the Marching cubes algorithm. It is possible to save the model in format VRML or STL.
|
|
|
Blood vessel segmentation in retinal images using deep learning approaches
Serečunová, Stanislava ; Vičar, Tomáš (referee) ; Kolář, Radim (advisor)
This diploma thesis deals with the application of deep neural networks with focus on image segmentation. The theoretical part contains a description of deep neural networks and a summary of widely used convolutional architectures for segmentation of objects from the image. Practical part of the work was devoted to testing of an existing network architectures. For this purpose, an open-source software library Tensorflow, implemented in Python programming language, was used. A frequent problem incorporating the use of convolutional neural networks is the requirement on large amount of input data. In order to overcome this obstacle a new data set, consisting of a combination of five freely available databases was created. The selected U-net network architecture was tested by first modification of the newly created data set. Based on the test results, the chosen network architecture has been modified. By these means a new network has been created achieving better performance in comparison to the original network. The modified architecture is then trained on a newly created data set, that contains images of different types taken with various fundus cameras. As a result, the trained network is more robust and allows segmentation of retina blood vessels from images with different parameters. The modified architecture was tested on the STARE, CHASE, and HRF databases. Results were compared with published segmentation methods from literature, which are based on convolutional neural networks, as well as classical segmentation methods. The created network shows a high success rate of retina blood vessels segmentation comparable to state-of-the-art methods.
|
|
|
Segmentation and morphological analysis of mouse embryo choroid plexus
Parobková, Viktória ; Jakubíček, Roman (referee) ; Chmelík, Jiří (advisor)
Choroidálny plexus je regulovanou bránou medzi krvou a mozgovomiechovým mokom a má niekoľko funkcií spojených s nervovým systémom. Mnohé funkcie sú však stále neznáme, čo je spôsobené krehkosťou, umiestnením a tvarom plexu. Preto sa na prístup k tejto kľúčovej súčasti mozgu, ktorá sa nachádza v komorách, používajú neinvazívne techniky. Okrem toho existuje súvislosť medzi jeho tvarom a patologickými stavmi mozgu. Cieľom tohto projektu bolo extrahovať ChP 4. komory implementáciou segmentačných metód a následnou morfologickou analýzou s cieľom odhaliť zákonitosti medzi tvarom a ochorením.
|
|
| |
|
|
Evaluation of targets in shooting range based on image data
Sujová, Sára ; Šťastný, Jiří (referee) ; Škrabánek, Pavel (advisor)
The thesis describes the design and implementation of a computer vision system for evaluating targets on the shooting range using image data. The program respects the restrictions based on safety measures established by the the shooting range manager and uses an uniform system of lighting and camera placement. The work consists of several parts. The first part is the creation of the dataset and its annotation. The second part is the creation of the program. The program includes a photo of the target, which is suitably edited and divided into sub-areas in the pre-processing phase. These sub-regions are then iteratively processed by the U-NET network, which produces segmentation maps that are subsequently combined into the resulting map. The positions of the detected shots are obtained from this map. In the last part of the program, a point evaluation of the shooting session is obtained.
|
|
|
Segmentation and morphological analysis of mouse embryo choroid plexus
Parobková, Viktória ; Jakubíček, Roman (referee) ; Chmelík, Jiří (advisor)
Choroidálny plexus je regulovanou bránou medzi krvou a mozgovomiechovým mokom a má niekoľko funkcií spojených s nervovým systémom. Mnohé funkcie sú však stále neznáme, čo je spôsobené krehkosťou, umiestnením a tvarom plexu. Preto sa na prístup k tejto kľúčovej súčasti mozgu, ktorá sa nachádza v komorách, používajú neinvazívne techniky. Okrem toho existuje súvislosť medzi jeho tvarom a patologickými stavmi mozgu. Cieľom tohto projektu bolo extrahovať ChP 4. komory implementáciou segmentačných metód a následnou morfologickou analýzou s cieľom odhaliť zákonitosti medzi tvarom a ochorením.
|
guest ::
