|
|
Segmentation of brain tumours in MRI images using deep learning
Ustsinau, Usevalad ; Odstrčilík, Jan (oponent) ; Chmelík, Jiří (vedoucí práce)
The following master's thesis paper equipped with a short description of CT scans and MR images and the main differences between them, explanation of the structure of convolutional neural networks and how they implemented into biomedical image analysis, besides it was taken a popular modification of U-Net and tested on two loss-functions. As far as segmentation quality plays a highly important role for doctors, in experiment part it was paid significant attention to training quality and prediction results of the model. The experiment has shown the effectiveness of the provided algorithm and performed 100 training cases with the following analysis through the similarity. The proposed outcome gives us certain ideas for future improving the quality of image segmentation via deep learning techniques.
|
|
|
Tvarová analýza obrazových dat
Kylián, Jakub ; Harabiš, Vratislav (oponent) ; Chmelík, Jiří (vedoucí práce)
Bakalářská práce se zabývá tvarovou analýzou obrazových dat, popisuje tedy metody, techniky a postupy, které k takové analýze vedou. Obsah práce je rozdělen do tří kapitol – Teoretická, řešení studentské práce a závěr. V části teorie jsou popsány metody, které jsou následně využity v části řešení, ale i obecná teorie přímo související s tématem. Pravidlem je tedy, že použitá metoda v části řešení je popsána v části teoretické do detailů, nicméně tato skutečnost nemusí nutně platit i naopak. V návaznosti na kapitolu teoretickou je řešení studentské práce. V kapitole řešení studentské práce je prezentován problém, který je, díky znalostem z teorie, vyřešen. Řešení sestává z více analytických procesů a patřičných příprav, které jsou v této části zcela jasně definovány. Poslední část, závěr, slouží jako shrnutí přípravy, průběhu a zhodnocení řešení analýzy. Zároveň může posloužit jako prostor pro prezentaci nápadů, analogií, neprezentovaných metod a jiných postupů, které by mohly mít kladný či záporný vliv na výsledek práce, tedy i na její závěr.
|
|
|
Segmentace buněk pomocí konvolučních neuronových sítí
Hrdličková, Alžběta ; Chmelík, Jiří (oponent) ; Vičar, Tomáš (vedoucí práce)
Tato práce zkoumá využití konvolučních neuronových sítí se zaměřením na sémantickou a instanční segmentaci buněk z mikroskopických snímků. Teoretická část obsahuje popis hlubokých neuronových sítí a shrnutí široce používaných konvolučních architektur pro segmentaci obrazu. Praktická část práce je věnována vytvoření modelu konvoluční neuronové sítě na základě architektury U-Net. Dále obsahuje segmentaci buněk predikovaných obrazů pomocí tří metod, a to prahování, metody rozvodí a metody náhodného chodce.
|
|
|
Využití optimalizačních metod pro segmentaci MRI dat
Olešová, Kristína ; Mézl, Martin (oponent) ; Chmelík, Jiří (vedoucí práce)
Práca sa zaoberá segmentáciou mozgových tkanív z MRI obrazových dát a jej implementáciou v programe MATLAB. Je popísaná problematika rôznych segmentačných techník a najmä prístup k segmentácii ako optimalizačnému problému. Samotné obrazové data sú segmentované pomocou rozdielnych metaheuristických algoritmov. Tento prístup bol vybratý na základe informácií z posledných odborných publikácii, kde sa vyzdvihovala jeho výpočetná rýchlosť a univerzálnosť. Táto práca sa snaží tieto tvrdenia dokázať na segmentovaní obrazov z mozgu s rôznymi tipmi, počtom a štádiami choroby a fázami liečenia mozgových nádorov.
|
|
|
Using advanced segmentation methods for images from TEM microscopes
Mocko, Štefan ; Chmelík, Jiří (oponent) ; Potočňák, Tomáš (vedoucí práce)
This master‘s thesis deals with the use of a convolutional neural networks for the segmentation task on images from transmission electron microscope. It also describes chosen neural network topology - U-NET, used augmentation techniques and programming environment. ThermoFisher Scientific (formerly FEI Czech Republic s.r.o.) provided data for this thesis. Obtained segmentation results are presented in the form of curves (ROC, PRC) and numerical values (ARI, DSC, Confusion matrices). Chosen U-NET topology achieved excellent results in the field of pixel-wise segmentation, and hopefully, these results will serve as a starting point for internal company research.
|
|
|
Předregistrace plicních objemových CT obrazových dat
Šiška, Branislav ; Walek, Petr (oponent) ; Chmelík, Jiří (vedoucí práce)
Bakalárska práca sa zaoberá predregistráciou pľúcnych objemových CT obrazových dát. Predregistrácia je riešená metódou fázovej korelácie pri rozklade 3D obrazu na 2D rezy usporiadané za sebou. Práca ďalej popisuje geometrické transformácie, interpolácie, výpočet podobnostných kritérií, optimalizáciu registrácie obrazu a proces samotnej registrácie obrazu. Predregistračný softvér je navrhnutý v programovom prostredí MATLAB^®, kde prebieha predregistrácia 3D reálnych CT obrazových dát s dôrazom na rýchlosť procesu.
|
|
|
Tvarová analýza obrazových dat
Kylián, Jakub ; Harabiš, Vratislav (oponent) ; Chmelík, Jiří (vedoucí práce)
Bakalářská práce se zabývá tvarovou analýzou obrazových dat, popisuje tedy metody, techniky a postupy, které k takové analýze vedou. Obsah práce je rozdělen do tří kapitol – Teoretická, řešení studentské práce a závěr. V části teorie jsou popsány metody, které jsou následně využity v části řešení, ale i obecná teorie přímo související s tématem. Pravidlem je tedy, že použitá metoda v části řešení je popsána v části teoretické do detailů, nicméně tato skutečnost nemusí nutně platit i naopak. V návaznosti na kapitolu teoretickou je řešení studentské práce. V kapitole řešení studentské práce je prezentován problém, který je, díky znalostem z teorie, vyřešen. Řešení sestává z více analytických procesů a patřičných příprav, které jsou v této části zcela jasně definovány. Poslední část, závěr, slouží jako shrnutí přípravy, průběhu a zhodnocení řešení analýzy. Zároveň může posloužit jako prostor pro prezentaci nápadů, analogií, neprezentovaných metod a jiných postupů, které by mohly mít kladný či záporný vliv na výsledek práce, tedy i na její závěr.
|
|
|
Detekce a rozměření elektronového svazku v obrazech z TEM
Polcer, Simon ; Vičar, Tomáš (oponent) ; Chmelík, Jiří (vedoucí práce)
Diplomová práce se zabývá automatickou detekcí a rozměřením elektronového svazku ve snímcích z transmisního elektronového mikroskopu. V úvodní části práce je popsána konstrukce a nejdůležitější součástky elektronového mikroskopu. Dále jsou v teoretické části shrnuty módy osvětlení fluorescenčního stínítka, které vznikají při práci na mikroskopu. K automatické detekci elektronového svazku jsou použity metody strojového učení, konkrétně konvoluční neuronová síť U-Net. Následné rozměření elektronového svazku je provedeno na základě aproximace oblasti elektronového svazku elipsou, kde parametry elipsy udávají rozměry svazku. Jelikož při učení neuronových sítí je potřeba mít dostatečně rozsáhlou databázi snímků, jsou v práci popsány metody umělého rozšíření databáze. V práci je navržena vlastní augmentační metoda, která využívá geometrické transformace a aplikuje je na základě módu osvětlení fluorescenčního stínítka. V závěru práce jsou shrnuty a diskutovány dosažené výsledky. Úspěšnost algoritmu je zhodnocena na variabilní skupině snímků pokrývající jednotlivé módy osvětlení fluorescenčního stínítka. Celková úspěšnost dosahuje 0,815 hodnoty DICE koeficientu, který udává míru překryvu dvou oblastí. Práce je kompletně zpracována v programovém prostředí Python.
|
|
|
Detekce biologických struktur ve snímcích z TEM mikroskopu
Cikánek, Martin ; Chmelík, Jiří (oponent) ; Potočňák, Tomáš (vedoucí práce)
Cílem první části této diplomové práce je vysvětlit teoretické základy transmisní elektronové mikroskopie and zmínit fundamentální části transmisních elektronových mikroskopů. Další část této práce je zaměřena na možné metody segmentace obrazu, využití neuronových sítí při detekci objektů v obraze a na následné shlukování výsledků. Teoretická část práce je zakončena vysvětlením některých již publikovaných metod automatické detekce biologických struktur v obrazech z mikroskopu a teoretickým návrhem algoritmu, který bude následně vypracován. Na začátku praktické části je vysvětlen postup trénování neuronových sítí za účelem automatické detekce biologických struktur v obraze. Poté následuje zhodnocení výsledků dosažených těmito sítěmi. Následně jsou na tyto výsledky aplikovány metody shlukové analýzy, jejichž výsledky jsou porovnávány mezi sebou a taktéž s výsledky dosaženými již publikovanými metodami.
|
|
|
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.
|
host ::
RSS.