Interaktivní segmentace 3D CT dat s využitím hlubokého učení
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
B
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Tato práce se zaměřuje na možnosti využití neuronových sítí pro segmentaci CT dat s omezenými možnostmi použití anotovaných dat. Hlavním prostředkem pro zlepšení kvality segmentace kostí pomocí modelu trénovaného na malé datové sadě je zde přidání uživatelské interakce. Dále jsou zkoumány možnosti využití transfer learningu v podobě předtrénování na interaktivní segmentaci na jiné než cílové datové sadě a v podobě předtrénování na restauraci dat pomocí cílové datové sady. Všechny zkoumané metody přinášejí určité zlepšení oproti baseline metodě, kterou je použití datově specifického automatického segmentačního modelu. Při trénování s velmi malými trénovacími množinami dochází ke zvýšení hodnoty Dice skóre až o desítky procent. Praktické uplatnění těchto metod může být například v jejich použití coby nástroje pro urychlení tvorby nového segmentačního datasetu.
This thesis deals with CT data segmentation using convolutional neural nets and describes the problem of training with limited training sets. User interaction is suggested as means of improving segmentation quality for the models trained on small training sets and the possibility of using transfer learning is also considered. All of the chosen methods help improve the segmentation quality in comparison with the baseline method, which is the use of automatic data specific segmentation model. The segmentation has improved by tens of percents in Dice score when trained with very small datasets. These methods can be used, for example, to simplify the creation of a new segmentation dataset.
This thesis deals with CT data segmentation using convolutional neural nets and describes the problem of training with limited training sets. User interaction is suggested as means of improving segmentation quality for the models trained on small training sets and the possibility of using transfer learning is also considered. All of the chosen methods help improve the segmentation quality in comparison with the baseline method, which is the use of automatic data specific segmentation model. The segmentation has improved by tens of percents in Dice score when trained with very small datasets. These methods can be used, for example, to simplify the creation of a new segmentation dataset.
Description
Keywords
Zpracování obrazu, segmentace, hluboké učení, umělá inteligence, konvoluční neuronové sítě, transfer learning, medicínská data, CT data, objemová data, shlukování, extrakce příznaků, rekonstrukce obrazu, interaktivní segmentace, benchmarking, omezená trénovací množina., Image processing, segmentation, deep learning, artificial intelligence, convolutional neural nets, transfer learning, medical data, CT data, volume data, clustering, feature extraction, image restoration, interactive segmentation, benchmarking, limited training set.
Citation
TRÁVNÍČKOVÁ, K. Interaktivní segmentace 3D CT dat s využitím hlubokého učení [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2020.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Počítačová grafika a multimédia
Comittee
doc. Dr. Ing. Jan Černocký (předseda)
doc. Ing. Martin Čadík, Ph.D. (místopředseda)
Ing. David Bařina, Ph.D. (člen)
doc. RNDr. Pavel Smrž, Ph.D. (člen)
Ing. Igor Szőke, Ph.D. (člen)
prof. Ing. Tomáš Vojnar, Ph.D. (člen)
Date of acceptance
2020-08-28
Defence
Studentka nejprve prezentovala výsledky, kterých dosáhla v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Studentka následně odpověděla na otázky oponenta a na další otázky přítomných, např. ohledně podoby sítě pro segmentaci obrazu kostí a způsobu jejího natrénování či způsobu uplatnění obrazu s označením oblastí ze strany uživatele. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studentky na položené otázky rozhodla práci hodnotit stupněm B - velmi dobře . Otázky u obhajoby: Obsahují výřezy 96x96 dostatečný kontext, pro segmentaci? Můžete tuto velikost porovnat s velikostí oblasti, která ovlivní jeden pixel výstupu vašich sítí? Proč v experimentech neuvádíte souhrny výsledků? Není distorze pomocí zamíchání pixelů až příliš silná? Proč se zdá, že modely trénované na menší datové sadě konvergují pomaleji (Obr. 4.1)? Chová se tak síť i na trénovací sadě?
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení