Simulace projevu kožního onemocnění s využitím GAN
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Cieľom tejto diplomovej práce je vygenerovanie datasetu syntetických snímkov odtlačkov prstov, ktoré vykazujú známky kožných ochorení. Práca sa zaoberá poškodením spôsobeným kožnými ochoreniami v odtlačkoch prstov a generovaním syntetických odtlačkov prstov. Odtlačky prstov s prejavom kožných ochorení boli generované s využitím modelu založeného na Wasserstein GAN s penalizáciou gradientu. Na trénovanie GAN modelu bola použitá unikátna databáza odtlačkov prstov s prejavom kožných ochorení vytvorená na FIT VUT. Daný model bol trénovaný na troch typoch kožných ochorení: atopický ekzém, psoriáza a dyshidrotický ekzém. Sieť generátoru z natrénovaného WGAN-GP modelu bola použitá na vygenerovanie datasetov syntetických odtlačkov prstov. Tieto syntetické odtlačky boli porovnané s reálnymi odtlačkami s využitím NFIQ a FiQiVi nástrojov na určenie kvality spoločne s porovnaním rozložení lokácií a orientácii markantov v snímkoch odtlačkov prstov.
The aim of this master's thesis is to generate a dataset of synthetic fingerprint images that display symptoms of skin disease. The thesis deals with damage caused by skin disease in the fingerprint images and synthetic fingerprint generation. The diseased fingerprints are generated using a model based on Wasserstein GAN with gradient penalty. A unique diseased fingerprint database created at FIT BUT was used for training of the GAN model. The model was trained on three types of skin disease: atopic eczema, psoriasis vulgaris and dyshidrotic eczema. The generator network of the trained WGAN-GP model was used to generate datasets of synthetic fingerprint images. The synthetic images were compared with real fingerprint images using the NFIQ and FiQiVi quality assessment tools and by comparing minutiae location and minutiae orientation distributions in the fingerprint images.
The aim of this master's thesis is to generate a dataset of synthetic fingerprint images that display symptoms of skin disease. The thesis deals with damage caused by skin disease in the fingerprint images and synthetic fingerprint generation. The diseased fingerprints are generated using a model based on Wasserstein GAN with gradient penalty. A unique diseased fingerprint database created at FIT BUT was used for training of the GAN model. The model was trained on three types of skin disease: atopic eczema, psoriasis vulgaris and dyshidrotic eczema. The generator network of the trained WGAN-GP model was used to generate datasets of synthetic fingerprint images. The synthetic images were compared with real fingerprint images using the NFIQ and FiQiVi quality assessment tools and by comparing minutiae location and minutiae orientation distributions in the fingerprint images.
Description
Keywords
odtlačky prstov, syntetické odtlačky prstov, generovanie odtlačkov prstov, kožné ochorenia, generatívne adversariálne siete, GAN, konvolučné neurónové siete, Python, PyTorch, fingerprints, synthetic fingerprints, fingerprint generation, skin disease, generative adversarial network, GAN, convolutional neural networks, Python, PyTorch
Citation
BAK, A. Simulace projevu kožního onemocnění s využitím GAN [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2021.
Document type
Document version
Date of access to the full text
Language of document
en
Study field
Inteligentní systémy
Comittee
doc. Ing. František Zbořil, Ph.D. (předseda)
doc. Ing. František Zbořil, CSc. (místopředseda)
Ing. Vítězslav Beran, Ph.D. (člen)
Ing. Michal Bidlo, Ph.D. (člen)
Ing. Ondřej Lengál, Ph.D. (člen)
Ing. Jaroslav Rozman, Ph.D. (člen)
Date of acceptance
2021-06-21
Defence
Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm A. Otázky u obhajoby: How many samples were used for neural network training? What other data augmentation methods could be used to extend the dataset? Jak přesně si poradíte s malými datasety? Proč jste méně komunikoval s vedoucím?
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení