|
|
Landmark Detection in Medical Images Using Deep Neural Networks
Škandera, Juraj ; Španěl, Michal (referee) ; Kodym, Oldřich (advisor)
This thesis deals with detection of anatomical landmarks from cephalometric X-ray images using convolutional neural networks. Program works with public available dataset, which consists of side X-ray images of skull. There are two architectures of convolutional neural networks proposed in this thesis. The best architecture achieves accuracy of 73.22% for detection within 5 mm. Program is created in Python language with use of Tensorflow framework.
|
|
|
Deep Learning Model Uncertainty in Medical Image Analysis
Drevický, Dušan ; Kolář, Martin (referee) ; Kodym, Oldřich (advisor)
Táto práca sa zaoberá určením neistoty v predikciách modelov hlbokého učenia. Aj keď sa týmto modelom darí dosahovať vynikajúce výsledky v mnohých oblastiach počítačového videnia, ich výstupy sú väčšinou deterministické a neposkytujú mnoho informácií o tom, ako si je model istý svojou predpoveďou. To je obzvlášť dôležité pri analýze lekárskych obrazových dát, kde môžu mať omyly vysokú cenu a schopnosť detekovať neisté predikcie by umožnila dohliadajúcemu lekárovi spracovať relevantné prípady manuálne. V tejto práci aplikujem niekoľko rôznych metrík vyvinutých v nedávnom výskume pre určenie neistoty na modely hlbokého učenia natrénované pre lokalizáciu cefalometrických landmarkov. Následne ich vyhodnotím a porovnávam v sade experimentov, ktorých úlohou je určiť, nakoľko jednotlivé metriky poskytujú užitočnú informáciu o tom, ako si je model istý svojou predpoveďou.
|
|
|
Deep Learning Model Uncertainty in Medical Image Analysis
Drevický, Dušan ; Kolář, Martin (referee) ; Kodym, Oldřich (advisor)
Táto práca sa zaoberá určením neistoty v predikciách modelov hlbokého učenia. Aj keď sa týmto modelom darí dosahovať vynikajúce výsledky v mnohých oblastiach počítačového videnia, ich výstupy sú väčšinou deterministické a neposkytujú mnoho informácií o tom, ako si je model istý svojou predpoveďou. To je obzvlášť dôležité pri analýze lekárskych obrazových dát, kde môžu mať omyly vysokú cenu a schopnosť detekovať neisté predikcie by umožnila dohliadajúcemu lekárovi spracovať relevantné prípady manuálne. V tejto práci aplikujem niekoľko rôznych metrík vyvinutých v nedávnom výskume pre určenie neistoty na modely hlbokého učenia natrénované pre lokalizáciu cefalometrických landmarkov. Následne ich vyhodnotím a porovnávam v sade experimentov, ktorých úlohou je určiť, nakoľko jednotlivé metriky poskytujú užitočnú informáciu o tom, ako si je model istý svojou predpoveďou.
|
|
|
Landmark Detection in Medical Images Using Deep Neural Networks
Škandera, Juraj ; Španěl, Michal (referee) ; Kodym, Oldřich (advisor)
This thesis deals with detection of anatomical landmarks from cephalometric X-ray images using convolutional neural networks. Program works with public available dataset, which consists of side X-ray images of skull. There are two architectures of convolutional neural networks proposed in this thesis. The best architecture achieves accuracy of 73.22% for detection within 5 mm. Program is created in Python language with use of Tensorflow framework.
|
|
|
Fixing of Facial Triangle Meshes
Nekvinda, Tomáš ; Pelikán, Josef (advisor) ; Krajíček, Václav (referee)
The purpose of this work is to create an algorithm for automatic cleaning and trimming of three-dimensional facial scans. In view of that, we have developed an algorithm which consists of three central parts. The frst part is a novel landmark detection algorithm based on discrete diferential geometry and machine learning methods. The second part is represented by a method removing defects, spikes, and blobs and the last part is an enhancement of an algorithm for hole flling. The outcome of this work is a program which can automatically clean and trim three-dimensional facial scans and moreover, it can detect nose tip, nose root, and mouth and eye corners. As our testing has shown, the program performs well on facial scans produced by the optical scanner Vectra3D.
|
guest ::
