Show simple item record

Deep Learning Model Uncertainty in Medical Image Analysis

dc.contributor.advisorKodym, Oldřichen
dc.contributor.authorDrevický, Dušanen
dc.date.accessioned2020-06-23T07:17:23Z
dc.date.available2020-06-23T07:17:23Z
dc.date.created2019cs
dc.identifier.citationDREVICKÝ, D. Nejistota modelů hlubokého učení při analýze lékařských obrazových dat [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2019.cs
dc.identifier.other122217cs
dc.identifier.urihttp://hdl.handle.net/11012/180435
dc.description.abstractTáto 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.en
dc.description.abstractThis thesis deals with quantifying uncertainty in the predictions of deep learning models. While they achieve state of the art results in many areas of computer vision, their outputs are usually deterministic and provide by themselves little information about how certain the model is about its prediction. This is important especially in the domain of medical image analysis where mistakes are costly and the ability to filter uncertain predictions would allow a supervising physician to review the relevant cases. This work applies several different uncertainty measures developed in recent research to deep learning models trained on a cephalometric landmark localization task. They are then evaluated and compared in a set of experiments which aim to determine whether each of the uncertainty measures provides us with useful information about the model's confidence in its predictions.cs
dc.language.isoencs
dc.publisherVysoké učení technické v Brně. Fakulta informačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjecthlboké učenieen
dc.subjectneistotaen
dc.subjectanalýza lekárskych obrazových dáten
dc.subjectdetekcia kľúčových bodoven
dc.subjectcefalometriaen
dc.subjectdeep learningcs
dc.subjectuncertaintycs
dc.subjectmedical image analysiscs
dc.subjectlandmark detectioncs
dc.subjectcephalometrycs
dc.titleNejistota modelů hlubokého učení při analýze lékařských obrazových daten
dc.title.alternativeDeep Learning Model Uncertainty in Medical Image Analysiscs
dc.typeTextcs
dcterms.dateAccepted2019-06-19cs
dcterms.modified2019-07-08-13:31:34cs
thesis.disciplinePočítačová grafika a multimédiacs
thesis.grantorVysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačové grafiky a multimédiícs
thesis.levelInženýrskýcs
thesis.nameIng.cs
sync.item.dbid122217en
sync.item.dbtypeZPen
sync.item.insts2021.11.22 22:23:33en
sync.item.modts2021.11.22 21:37:11en
eprints.affiliatedInstitution.facultyFakulta informačních technologiícs
dc.contributor.refereeKolář, Martinen
dc.description.markAcs
dc.type.drivermasterThesisen
dc.type.evskpdiplomová prácecs
but.committeeprof. Dr. Ing. Pavel Zemčík (předseda) doc. Dr. Ing. Jan Černocký (místopředseda) doc. Ing. Radim Burget, Ph.D. (člen) doc. Mgr. Lukáš Holík, Ph.D. (člen) Ing. Michal Hradiš, Ph.D. (člen) Ing. Igor Szőke, Ph.D. (člen)cs
but.defenceStudent 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 otázku přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm výborně (A) . Otázky u obhajoby: Co je laterální rotace? Jak lze spočítat rozptyl (variance)? Jaký má být pro čtenáře poznatek z obrazu 3.3? Co ilustruje?cs
but.resultpráce byla úspěšně obhájenacs
but.programInformační technologiecs
but.jazykangličtina (English)


Files in this item

Thumbnail
Thumbnail
Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record