Strojové učení pro analýzu MR obrazů mozku

Abstract

Diplomová práce se věnuje metodám strojového učení v rozpoznávání první fáze schizofrenie na obrazech získaných z nukleární magnetické rezonance. Úvod práce je zaměřen především na fyzikální princip magnetické rezonance. V práci se dále pozornost věnuje registračním metodám, redukci dat a strojovému učení. V části klasifikace jsou popsány míry podobnosti, metoda podpůrných vektorů, nejbližších sousedů a metoda K-means. Závěr teoretické části se věnuje hodnocení klasifikátorů. V praktické části práce jsou uvedeny výsledky redukce dat metodou PCA, CRLS-PCA a subjektové PCA. Dále je praktická část zaměřena na rozpoznávání tvarů metodou K-NN a K-means a testování klasifikátoru K-NN na reálných datech. Abnormality rozpoznané některou z klasifikačních metod pak mohou umožnit rozlišení pacientů se schizofrenií od zdravých dobrovolníků.

The thesis is focused on methods of machine learning used for recognising the first stage of schizophrenia in images from nuclear-magnetic resonance. The introduction of this paper is focused primarily on physical principles. Further in this work, the attention is given to registration methods, reduction of data set and machine learning. In the classification part, simmilarity rates, support vectors´ method, K-nearest neighbour classification and K-means are described. The last stage of theoretical part is focused on evaluation of the clasification. In practical part the results of reduction data set by methods PCA, CRLS-PCA and subjects PCA are described. Furthermore, the practical part is focused on pattern recognition by methods K-NN, K-means and test K-NN method on real data. Abnormalities which are recognised by some classification methods can distinguish patients with schizophrenia from healthy controls.