|
|
Segmentation of multiple sclerosis lesions using deep neural networks
Sasko, Dominik ; Myška, Vojtěch (oponent) ; Kolařík, Martin (vedoucí práce)
This master thesis focused on automatic segmentation of Multiple Sclerosis (MS) lesions on MRI images. We tested the latest methods of segmentation using Deep Neural Networks and compared the approaches of weight initialization by transfer learning and self-supervised learning. The automatic segmentation of MS lesions is a very challenging task, primarily due to the high imbalance of the dataset (brain scans usually contain only a small amount of damaged tissue). Another challenge is a manual annotation of these lesions, as two different doctors can mark other parts of the brain as damaged and the Dice Coefficient of these annotations is approximately 0.86, which further underlines the complexity of this task. The possibility of simplifying the annotation process by automatization could improve the lesion load determination and might lead to better diagnostic of each individual patient. Our goal was to propose two techniques that use transfer learning to pre-train weights to later improve the performance of existing segmentation models. The theoretical part describes the division of artificial intelligence, machine learning and deep neural networks and their use in image segmentation. Afterwards, the work provides a description of Multiple Sclerosis, its types, symptoms, diagnosis and treatment. The practical part begins with data preprocessing. Firstly, brain scans were adjusted to the same resolution with the same voxel size. This was needed due to the usage of three different datasets, in which the scans had been created by devices from different manufacturers. One dataset also included the skull, therefore it was necessary to remove it by an FSL tool, leaving only the patient's brain in the scan. The preprocessed data were 3D scans (FLAIR, T1 and T2 modalities), which were cut into individual 2D slices and used as an input for the neural network with encoder-decoder architecture. The whole dataset consisted a total of 6,720 slices with a resolution of 192 x 192 pixels for training (after removing slices where the mask was empty). Loss function was Combo loss (combination of Dice Loss with modified Cross-Entropy). The first technique was to use the pre-trained weights from the ImageNet dataset on encoder in U-Net network, with and without locked encoder weights, respectively, and compare the results with random weight initialization. In this case, we used only the FLAIR modality. Transfer learning has proven to increase the metrics from approximately 0.4 to 0.6. The difference between encoder with and without locked weights was about 0.02. The second proposed technique was to use a self-supervised context encoder with Generative Adversarial Networks (GAN) to pre-train the weights. This network used all three modalities also with the empty slices (23,040 slices in total). The purpose of GAN was to recreate the brain image, which was covered by a checkerboard. Weights learned during this training were later loaded for the encoder to apply to our segmentation problem. The following experiment did not show any improvement, with a DSC value of 0.29 and 0.09, with and without a locked encoder, respectively. Such a decrease in performance might have been caused by the use of weights pre-trained on two distant problems (segmentation and self-supervised context encoder) or by difficulty of the task considering the hugely unbalanced dataset.
|
|
|
Vizuální detekce malých předmětů pomocí dostupných nástrojů v prostředí MATLAB
Sladký, Jiří ; Dobossy, Barnabás (oponent) ; Appel, Martin (vedoucí práce)
Tato práce zkoumá možnosti detekce malých objektů na obrázcích pomocí metody YOLO, algoritmu hlubokého učení dostupného v programu MATLAB. V práci byl navržen a natréno-ván detektor, jež dokáže detekovat hospodářská zvířata při pohledu shora. Vytvořen byl nástroj, který provede detekce s pomocí představeného modelu i na obrázcích o vysokém rozlišení a následně spočítá přítomné objekty. Naprogramován byl generátor syntetických obrázků, který výrazně pomohl s natrénováním tohoto modelu. Byly realizovány různé experimenty, jež vedly k nalezení hranic metody YOLO a ověřily přínos představených vylepšení.
|
|
|
Vehicle Make and Model Recognition in Image
Hrivňák, Marek ; Hradiš, Michal (oponent) ; Herout, Adam (vedoucí práce)
This thesis focuses on training convolutional neural network for vehicle recognition in image, preparation of training data and improvement of classification accuracy. Solution focuses on effect of using 2D bounding box and data augmentation for better recognition accuracy. In this thesis, I also elaborate the comparison with papers using 3D bounding box and showing, my method approaches in some cases even outperforms method using 3D bounding box. BoxCars116k data set is used, which is freely available and collected by the GRAPH@FIT research group. In order to support the main data set, I also collected some vehicle images. As a result of the analysis, it is observed that accuracy of vehicle recognition increased 8% points in comparison with other convolutional neural networks without the proposed modifications. As part of my thesis I also performed several experiments, which show effect of different factors on classification accuracy.
|
|
|
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.
|
|
|
Odhad hloubky pomocí konvolučních neuronových sítí
Ivanecký, Ján ; Španěl, Michal (oponent) ; Hradiš, Michal (vedoucí práce)
Táto práca sa zaoberá odhadom hĺbky s použitím konvolučných neurónových sietí. Pre vyriešenie tohto problému je v práci navrhnutý model skladajúci sa z troch častí. Model sa skladá zo siete globálneho kontextu, ktorá odhaduje hrubú štruktúru scény, gradientovej siete, ktorá odhaduje hĺbkové gradienty a zjemňujúcej siete, ktorá na základe výstupov z predchádzajúcich dvoch sietí odhadne konečnú hĺbkovú mapu. Ďalej v práci navrhujem normalizovanú chybovú funkciu na trénovanie neuronových sietí. Použitie tejto chybovej funkcie zlepšuje odhady relatívnej hlbkovej štruktúry scény, za cenu straty informácie o absolutnej hlbke v scéne.
|
|
|
Algoritmy pro zlepšení detekce vybraných arytmií v EKG
Šandová, Hana ; Ředina, Richard (oponent) ; Novotná, Petra (vedoucí práce)
Práce se zabývá navyšováním datových sad arytmií v EKG, které bývají v databázích méně často zastoupené. Teoretická část je věnována literární rešerši odborných prací, které se zabývají klasifikátory srdečních arytmií s využitím hlubokého učení a augmentací EKG signálů. V praktické části byly realizovány generátory šumu, které by po přičtení do reálně změřených signálů mohly obohatit datovou sadu. Také byla realizována metoda pro augmentaci flutteru síní. Byly vytvořeny funkce, které uměle vytvářejí signály napodobující atrioventikulární blokády II. a III. stupně. Nakonec byla snaha generovat atrioventikulární blokády II. stupně pomocí generativních kompetitivních sítí (GAN). Úspěšnost augmentace byla hodnocena přidáním různě kombinovaných syntetických dat do trénovacích množin pro EKG klasifikátor v podobě hluboké neuronové sítě.
|
|
|
Automatic Speech Detection for VHF Channel
Nováková, Mária ; Veselý, Karel (oponent) ; Szőke, Igor (vedoucí práce)
A noisy environment in air traffic communication is an unavoidable problem. The communication between the control tower and the pilot should be the most reliable and effective. That is why voice activity detection is crucial for recognising the start of the speech segment of the communicants for automated systems. The speakers take turns providing information by pressing the push-to-talk button. To detect voice activity, various approaches are used. Even though these methods are effective, machine learning can easily outshine them. Neural networks are widely used in voice activity detection as well as in other areas. Properly trained models are efficient and adaptable. In this thesis, a solution for voice activity detection together with push-to-talk detection is proposed. Proposed models are evaluated and compared. The adaptation of the GPVAD approach is discussed and compared to the proposed models. Neural networks will have their chance to once again prove that they are suitable for any task.
|
|
|
Trénovatelné metody pro automatické zpracování biomedicínských obrazů
Uher, Václav ; Tučková,, Jana (oponent) ; Brezany, Peter (oponent) ; Burget, Radim (vedoucí práce)
Tato práce se zabývá možnostmi automatické segmentace biomedicínských obrazů. Pro 3D segmentaci obrazu byla navržena metoda využívající hluboké učení. V~práci jsou řešeny problémy návrhu sítě, paměťové optimalizace metody a následné složení výsledného obrazu. Unikátnost metody spočívá ve 3D zpracování snímku na GPU v kombinaci s~augmentací trénovacích dat a zachování rozměru výstupu s originálním snímkem. Toho je dosaženo rozdělením obrazu na menší části s překryvem a následným složením do původní velikosti. Funkčnost metody je ověřena na segmentaci lidské mozkové tkáně na snímcích z magnetické rezonance, kde překonává lidskou přesnost při porovnání odborník vs. odborník, a segmentaci buněk na řezech mozku octomilky z~elektronového mikroskopu, kde jsou překonány publikované výsledky z impaktovaného článku.
|
|
|
Nástroj pro rozšiřování obrazových databází
Minařík, Jakub ; Honec, Peter (oponent) ; Janáková, Ilona (vedoucí práce)
Tato práce se věnuje vytvoření nástroje pro rozšiřování obrazových databází. Práce se zabývá teorií zpracování obrazu a existujícím nástrojům a přístupům v této problematice. Z této teorie jsou navrženy jednotlivé metody, které jsou dále implementovány. Dále jsou tyto metody opatřeny uživatelským rozhraním a dávkovým spouštění úprav obrázků. Nakonec jsou popsány omezující podmínky vytvořeného nástroje.
|
|
|
Image-Based Clustering of Microbial Colonies
Láncoš, Jan ; Kišš, Martin (oponent) ; Beneš, Karel (vedoucí práce)
In-lab analysis of microbial colonies grown on Petri dishes is on the frontier of efforts for total laboratory automation. The core of this issue lies in precise localization of the colonies during image analysis. The state of the art solutions often employ machine learning models. However, these models tend to be heavily reliant on existence of quality labels which leads to a data scarcity problem. The proposed thesis addresses this issue by creation of a sample generator. The robustness of the proposed solution was corroborated by successfully applying the generator both in our segmentation and colony clustering efforts, significantly raising the F1 segmentation score from 0.518 to 0.729 and achieving a subsequent V-measure clustering score of 0.830. This approach to generating synthetic data brings us one step closer towards total laboratory automation.
|
host ::
RSS.