Hluboké neuronové sítě pro analýzu medicínských dat
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
D
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Cieľom tejto práce je použitie 2D konvolučných neurónových sietí pre segmentáciu a detekciu zubov na 3D modeli čeľusti s využitím viac pohľadovej metódy. Pohľad je vyrendrovaný 2D obrázok 3D modelu. Následne na akýkoľvek 3D model zubov je možné použiť natrénované modely neurónových sietí v PyQt aplikáciach. Pri práci bol vytvorený vlastný anotačný skript na anotáciu zubov ako aj landmarkov. Táto práca rieši problém s dostupnosťou anotovaných 3D datasetov v medicínskom priemysle pomocou automatizácie v generovaní masiek z rôznych pohľadov na 3D modely.
The goal of this bachelor's thesis is to use the 2D convolutional neural network on the 3D model dataset by multi-view methods. The view is 2D picture of 3D model. The result are Pyqt applications, where is possible to load the 3D model of teeth and predict the location of landmarks and teeth by object segmentation and object detection. During this thesis, an annotation's script was created for the annotation of 3D models for landmarks of teeth and teeth themself. This thesis solves the problem of the small availability of annotated 3D datasets in the medical industry by automating generating binary masks from different views on 3D models.
The goal of this bachelor's thesis is to use the 2D convolutional neural network on the 3D model dataset by multi-view methods. The view is 2D picture of 3D model. The result are Pyqt applications, where is possible to load the 3D model of teeth and predict the location of landmarks and teeth by object segmentation and object detection. During this thesis, an annotation's script was created for the annotation of 3D models for landmarks of teeth and teeth themself. This thesis solves the problem of the small availability of annotated 3D datasets in the medical industry by automating generating binary masks from different views on 3D models.
Description
Keywords
Medicínske dáta, Segmentácia zubov, Detekcia Zubov Landmark, Ortodoncia, Viac-pohľadová metóda, 2D konvolučné siete, 3D objektová klasifikáciu, U-Net, Yolo v3, Mask-RCNN, Blender, STL model, Anotačný skript., Medical data, Teeth segmentation, Teeth detection, Landmark, Orthodontics, Multi-view method, 2D convolutional neural network, 3D object classification, U-Net, Yolo v3, MaskRCNN, Blender, STL model, Anotation script.
Citation
OSVALD, M. Hluboké neuronové sítě pro analýzu medicínských dat [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2021.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Informační technologie
Comittee
prof. Dr. Ing. Pavel Zemčík (předseda)
prof. Ing. Jan M. Honzík, CSc. (místopředseda)
doc. Ing. Jiří Jaroš, Ph.D. (člen)
Ing. Filip Orság, Ph.D. (člen)
Ing. Michal Španěl, Ph.D. (člen)
Date of acceptance
2021-08-25
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 D. Otázky u obhajoby: Z jakého důvodu se nerozlišují spodní a horní čelisti? Zuby přece nejsou přesně stejné. Proč se pro tvorbu vstupu sítě používá perspektivní kamera? Jaké to má nevýhody? Jaké jsou další možnosti? Proč je vstupem sítě vždy jen obraz, jaké další vstupy by bylo možné využít? Dala by se použít pozice zubu k jeho klasifikaci? Jak přesná je vaše klasifikace?
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení