Nejistota modelů hlubokého učení při analýze lékařských obrazových dat
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Táto 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.
This 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.
This 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.
Description
Citation
DREVICKÝ, D. Nejistota modelů hlubokého učení při analýze lékařských 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
en
Study field
Počítačová grafika a multimédia
Comittee
prof. 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)
Date of acceptance
2019-06-19
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 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?
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení