Hluboké neuronové sítě pro analýzu medicínských obrazových dat
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
C
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Cílem této práce je vyvinout konvoluční neuronovou síť, která bude správně klasifikovat vhodnost rentgenových snímků pro účely kefalometrické analýzy. V rámci tohoto zadání byly vytvořeny 4 sítě, které byly natrénovány na datasetu. Jedná se 2 sítě typu VGG, jedna upravená síť UNet a jedna síť Resnet. Dataset byl vygenerován z ct snímků. Nejlepších výsledků dosáhla síť VGG se 4 bloky. Naměřená přesnost na testovacím datasetu je 97%.
The goal of this thesis is developing convolutional neural network which is able to classify if x-ray images are suitable for cephalometry analysis. Four networks were created and trained on a dataset for this purpose. Two of them are VGG type, one is based on UNet and one is Resnet. The dataset was generated from ct scan images. VGG network with four blocks has got the best results. Measured accuracy performed on test dataset is 97%.
The goal of this thesis is developing convolutional neural network which is able to classify if x-ray images are suitable for cephalometry analysis. Four networks were created and trained on a dataset for this purpose. Two of them are VGG type, one is based on UNet and one is Resnet. The dataset was generated from ct scan images. VGG network with four blocks has got the best results. Measured accuracy performed on test dataset is 97%.
Description
Citation
BÍL, T. Hluboké neuronové sítě pro analýzu medicínských obrazových dat [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2019.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Informační technologie
Comittee
prof. Ing. Adam Herout, Ph.D. (předseda)
doc. Mgr. Adam Rogalewicz, Ph.D. (místopředseda)
Ing. Michal Bidlo, Ph.D. (člen)
doc. Ing. Martin Čadík, Ph.D. (člen)
Ing. Zbyněk Křivka, Ph.D. (člen)
Date of acceptance
2019-06-11
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 C. Otázky u obhajoby: K dispozici jste měl kromě synteticky vytvořených dat také reálné kefalometrické snímky. Testoval jste svou metodu také na reálných datech? Předpokládáte, že by dokázala snímky správně vyhodnotit jako validní pro následnou kefalometrickou analýzu? Do kolika tříd jste klasifikoval obrázky?
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení