but.committee	prof. Ing. Jiří Mišurec, CSc. (předseda) Ing. Jan Mikulka, Ph.D. (člen) doc. Ing. Kamil Říha, Ph.D. (člen) Ing. Jiří Přinosil, Ph.D. (člen) prof. Ing. Karel Bartušek, DrSc. (člen) MUDr. Andrea Šprláková-Puková, Ph.D. - oponentka (člen) Dr. Ing. Jiří Přibil - oponent (člen)	cs
but.defence		cs
but.jazyk	angličtina (English)
but.program	Elektrotechnika a komunikační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Smékal, Zdeněk	en
dc.contributor.author	Dvořák, Pavel	en
dc.contributor.referee	Přibil, Jiří	en
dc.contributor.referee	Šprláková-Puková,, Andrea	en
dc.date.accessioned	2018-10-21T18:02:48Z
dc.date.available	2018-10-21T18:02:48Z
dc.date.created	2015	cs
dc.description.abstract	Tato práce se zabývá detekcí a segmentací mozkového nádoru v multisekvenčních MR obrazech se zaměřením na gliomy vysokého a nízkého stupně malignity. Jsou zde pro tento účel navrženy tři metody. První metoda se zabývá detekcí prezence částí mozkového nádoru v axiálních a koronárních řezech. Jedná se o algoritmus založený na analýze symetrie při různých rozlišeních obrazu, který byl otestován na T1, T2, T1C a FLAIR obrazech. Druhá metoda se zabývá extrakcí oblasti celého mozkového nádoru, zahrnující oblast jádra tumoru a edému, ve FLAIR a T2 obrazech. Metoda je schopna extrahovat mozkový nádor z 2D i 3D obrazů. Je zde opět využita analýza symetrie, která je následována automatickým stanovením intenzitního prahu z nejvíce asymetrických částí. Třetí metoda je založena na predikci lokální struktury a je schopna segmentovat celou oblast nádoru, jeho jádro i jeho aktivní část. Metoda využívá faktu, že většina lékařských obrazů vykazuje vysokou podobnost intenzit sousedních pixelů a silnou korelaci mezi intenzitami v různých obrazových modalitách. Jedním ze způsobů, jak s touto korelací pracovat a používat ji, je využití lokálních obrazových polí. Podobná korelace existuje také mezi sousedními pixely v anotaci obrazu. Tento příznak byl využit v predikci lokální struktury při lokální anotaci polí. Jako klasifikační algoritmus je v této metodě použita konvoluční neuronová síť vzhledem k její známe schopnosti zacházet s korelací mezi příznaky. Všechny tři metody byly otestovány na veřejné databázi 254 multisekvenčních MR obrazech a byla dosáhnuta přesnost srovnatelná s nejmodernějšími metodami v mnohem kratším výpočetním čase (v řádu sekund při použitý CPU), což poskytuje možnost manuálních úprav při interaktivní segmetaci.	en
dc.description.abstract	This work deals with the brain tumor detection and segmentation in multisequence MR images with particular focus on high- and low-grade gliomas. Three methods are propose for this purpose. The first method deals with the presence detection of brain tumor structures in axial and coronal slices. This method is based on multi-resolution symmetry analysis and it was tested for T1, T2, T1C and FLAIR images. The second method deals with extraction of the whole brain tumor region, including tumor core and edema, in FLAIR and T2 images and is suitable to extract the whole brain tumor region from both 2D and 3D. It also uses the symmetry analysis approach which is followed by automatic determination of the intensity threshold from the most asymmetric parts. The third method is based on local structure prediction and it is able to segment the whole tumor region as well as tumor core and active tumor. This method takes the advantage of a fact that most medical images feature a high similarity in intensities of nearby pixels and a strong correlation of intensity profiles across different image modalities. One way of dealing with -- and even exploiting -- this correlation is the use of local image patches. In the same way, there is a high correlation between nearby labels in image annotation, a feature that has been used in the ``local structure prediction'' of local label patches. Convolutional neural network is chosen as a learning algorithm, as it is known to be suited for dealing with correlation between features. All three methods were evaluated on a public data set of 254 multisequence MR volumes being able to reach comparable results to state-of-the-art methods in much shorter computing time (order of seconds running on CPU) providing means, for example, to do online updates when aiming at an interactive segmentation.	cs
dc.description.mark	P	cs
dc.identifier.citation	DVOŘÁK, P. Detekce a segmentace mozkového nádoru v multisekvenčním MRI [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2015.	cs
dc.identifier.other	88261	cs
dc.identifier.uri	http://hdl.handle.net/11012/43081
dc.language.iso	en	cs
dc.publisher	Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií	cs
dc.rights	Standardní licenční smlouva - přístup k plnému textu bez omezení	cs
dc.subject	Mozkový nádor	en
dc.subject	analýza obrazů	en
dc.subject	segmentace obrazů	en
dc.subject	lékařské zobrazování	en
dc.subject	MRI	en
dc.subject	multisekvenční zobrazování	en
dc.subject	lokální struktura	en
dc.subject	predikce struktury	en
dc.subject	Brain tumor	cs
dc.subject	image analysis	cs
dc.subject	image segmentation	cs
dc.subject	medical imaging	cs
dc.subject	MRI	cs
dc.subject	multisequence imaging	cs
dc.subject	local structure	cs
dc.subject	structure prediction	cs
dc.title	Detekce a segmentace mozkového nádoru v multisekvenčním MRI	en
dc.title.alternative	Brain Tumor Detection and Segmentation in Multisequence MRI	cs
dc.type	Text	cs
dc.type.driver	doctoralThesis	en
dc.type.evskp	dizertační práce	cs
dcterms.dateAccepted	2015-11-11	cs
dcterms.modified	2015-11-13-12:25:44	cs
eprints.affiliatedInstitution.faculty	Fakulta elektrotechniky a komunikačních technologií	cs
sync.item.dbid	88261	en
sync.item.dbtype	ZP	en
sync.item.insts	2021.11.12 15:29:36	en
sync.item.modts	2021.11.12 14:22:27	en
thesis.discipline	Teleinformatika	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav telekomunikací	cs
thesis.level	Doktorský	cs
thesis.name	Ph.D.	cs

Detekce a segmentace mozkového nádoru v multisekvenčním MRI

Files

Original bundle

Collections