Segmentace chrupavčité tkáně ve 3D mikro CT snímcích myších embryí
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract
Manuální segmentace chrupavčité tkáně v mikro CT snímcích myších embryí je velice časově náročná a značně zvyšuje čas potřebný pro výzkum vývoje obličejové části lebky savců. Jako řešení tohoto problému se jeví využití automatických segmentačních algoritmů. V této práci navržena plně automatická segmentační metoda využívající konvoluční neuronovou síť naučenou na manuálně segmentovaných obrazech. Architektura této konvoluční neuronové sítě vychází z architektury U-Net, jejíž enkóderová část je nahrazena za enkóderovou část klasifikační neuronové sítě VGG16 s váhami byly předučenými na databázi označených obrazů ImageNet. Bylo dokázáno, že navržený postup segmentace dosahuje při porovnání s obrazy manuálně segmentovanými expertem v průměru Dice koeficientu 0,8731 ± 0,0326.
Manual segmentation of cartilage tissue in micro CT images of mouse embryos is a very time consuming process and significantly increases the time required for the research of mammal facial structure development. This problem might be solved by using a fully-automatic segmentation algorithm. In this diploma thesis a fully-automatic segmentation method is proposed using a convolutional neural network trained on manually segmented data. The architecture of the proposed convolutional network is based on the U-Net architecture with it's encoding part substituted for the encoding part of the VGG16 classification convolutional neural network pretrained on the ImageNet database of labeled images. The proposed network achieves Dice coefficient 0.8731 ± 0.0326 in comparison to manually segmented images.
Manual segmentation of cartilage tissue in micro CT images of mouse embryos is a very time consuming process and significantly increases the time required for the research of mammal facial structure development. This problem might be solved by using a fully-automatic segmentation algorithm. In this diploma thesis a fully-automatic segmentation method is proposed using a convolutional neural network trained on manually segmented data. The architecture of the proposed convolutional network is based on the U-Net architecture with it's encoding part substituted for the encoding part of the VGG16 classification convolutional neural network pretrained on the ImageNet database of labeled images. The proposed network achieves Dice coefficient 0.8731 ± 0.0326 in comparison to manually segmented images.
Description
Citation
MATULA, J. Segmentace chrupavčité tkáně ve 3D mikro CT snímcích myších embryí [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2019.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Biomedicínské inženýrství a bioinformatika
Comittee
prof. Ing. Ivo Provazník, Ph.D. (předseda)
Ing. Martin Vítek, Ph.D. (místopředseda)
Ing. Jiří Chmelík, Ph.D. (člen)
Mgr. Helena Durnová, Ph.D. (člen)
Ing. Tomáš Potočňák (člen)
Date of acceptance
2019-06-05
Defence
Student prezentoval výsledky své práce a komise byla seznámena s posudky. Ing. Potočňák položil otázky - Jaké bylo rozlišení použitých obrazových dat? Zvyšovala by se přesnost segmentace s použitím výkonnější grafické karty? prof. Provazník položil otázky - Jaké typy obrazů obsahuje použitá databáze? Jaký objem dat byl ručně segmentovaný a byly tyto data použity jako zlatý standard? Student obhájil diplomovou práci a odpověděl na otázky členů komise a oponenta.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení