|
|
Utilization of convolutional neural networks for segmentation of mouse embryos cartilaginous tissue in micro-CT data
Poláková, Veronika ; Vičar, Tomáš (referee) ; Chmelík, Jiří (advisor)
Automatická segmentace biologických struktur v mikro-CT datech je stále výzvou, protože často objekt zájmu (v našem případě obličejová chrupavka) není charakterizovaný unikátním jasem či ostrými hranicemi. V posledních letech se konvoluční neuronové sítě (CNNs) staly mimořádně populárními v mnoha oblastech počítačového vidění. Konkrétně pro segmentaci biomedicínských obrazů je široce používaná architektura U-Net. Nicméně v případě mikro-CT dat vyvstává otázka, zda by nebylo výhodnější použít 3D CNN. Diplomová práce navrhla CNN architekturu založenou na síti V-Net včetně metodologie pro předzpracování a postprocessing dat. Základní architektura byla dále optimalizována pomocí pokročilých architektonických modifikací jako jsou pyramidální modul dilatovaných konvolucí (ASPP modul), škálovatelná exponenciálně-lineární jednotka (SELU aktivační funkce), víceúrovňová kontrola učení (multi-output supervision) či bloky s hustými propojeními (Dense blocks). Pro učení sítě byly použity moderní přístupy jako zahřívání kroku učení (learning rate warmup) či AdamW optimalizátor. I přes to, že 3D CNN v úloze segmentace obličejové chrupavky nepřekonala U-Net, optimalizace zvýšila medián Dice koeficientu z 69,74 % na 80,01 %. Používání těchto pokročilých architektonických modifikací v dalším výzkumu je proto vřele doporučováno, jelikož můžou být přidány do libovolné architektury typu U-Net a zároveň výrazně zlepšit výsledky.
|
|
|
Utilization Of Convolutional Neural Networks For Segmentation Of Mouse Embryos Cartilaginous Tissue In Micro-Ct Data
Poláková, Veronika
Automatic segmentation of the biological structures in micro-CT data is still a challengesince the object of interest (craniofacial cartilage in our case) is commonly not characterized by uniquevoxel intensity or sharp borders. In recent years, convolutional neural networks (CNNs) have becomeexceedingly popular in many areas of computer vision. Specifically, for biomedical image segmentationproblems, U-Net architecture is widely used. However, in case of micro-CT data, there isa question whether 3D CNN would not be more beneficial. This paper introduces CNN architecturebased on V-Net as well as the methodology for data preprocessing and postprocessing. The baselinearchitecture was further optimized using advanced techniques such as Atrous Spatial Pyramid Pooling(ASPP) module, Scaled Exponential Linear Unit (SELU) activation function, multi-output supervisionand Dense blocks. For network learning, modern approaches were used including learning ratewarmup or AdamW optimizer. Even though the 3D CNN do not outperform U-Net regarding the craniofacialcartilage segmentation, the optimization raises the median of Dice coefficient from 69.74 %to 80.01 %. Therefore, utilizing these advanced techniques is highly encouraged as they can be easilyadded to any U-Net-like architecture and may remarkably improve the results.
|
|
|
Utilization of convolutional neural networks for segmentation of mouse embryos cartilaginous tissue in micro-CT data
Poláková, Veronika ; Vičar, Tomáš (referee) ; Chmelík, Jiří (advisor)
Automatická segmentace biologických struktur v mikro-CT datech je stále výzvou, protože často objekt zájmu (v našem případě obličejová chrupavka) není charakterizovaný unikátním jasem či ostrými hranicemi. V posledních letech se konvoluční neuronové sítě (CNNs) staly mimořádně populárními v mnoha oblastech počítačového vidění. Konkrétně pro segmentaci biomedicínských obrazů je široce používaná architektura U-Net. Nicméně v případě mikro-CT dat vyvstává otázka, zda by nebylo výhodnější použít 3D CNN. Diplomová práce navrhla CNN architekturu založenou na síti V-Net včetně metodologie pro předzpracování a postprocessing dat. Základní architektura byla dále optimalizována pomocí pokročilých architektonických modifikací jako jsou pyramidální modul dilatovaných konvolucí (ASPP modul), škálovatelná exponenciálně-lineární jednotka (SELU aktivační funkce), víceúrovňová kontrola učení (multi-output supervision) či bloky s hustými propojeními (Dense blocks). Pro učení sítě byly použity moderní přístupy jako zahřívání kroku učení (learning rate warmup) či AdamW optimalizátor. I přes to, že 3D CNN v úloze segmentace obličejové chrupavky nepřekonala U-Net, optimalizace zvýšila medián Dice koeficientu z 69,74 % na 80,01 %. Používání těchto pokročilých architektonických modifikací v dalším výzkumu je proto vřele doporučováno, jelikož můžou být přidány do libovolné architektury typu U-Net a zároveň výrazně zlepšit výsledky.
|
guest ::
