Hluboké neuronové sítě pro analýzu medicínských 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
Cieľom tejto práce je využitie konvolučných neurónových sietí na klasifikáciu röntgenových snímok ľudského tela. Na tento účel boli vytvorené štyri neurónové siete, ktoré sa testujú na troch klasifikačných úlohách: klasifikácia bočnej a predozadnej snímky hrudníka, klasifikácia snímok do viacerých kategórií a klasifikácia chorôb na predozadnej snímke hrudníka. Najlepšie výsledky dosiahli siete ResNet a SEResNet. Pri prvej úlohe dosiahla SEResNet presnosť 99,49%, pri druhej mala najlepšie výsledky ResNet s presnosťou 94,97% a v prípade tretej úlohy dosiahla najlepší výsledok opäť SEResNet, 31,53% s použitím metriky F1 measure.
The purpose of this thesis is to use convolutional neural networks for X-ray image classification of human body. Four different architectures of neural networks have been created. They were trained and tested on three tasks: classification of front and lateral chest, classification of X-ray images into several different categories and classification of diseases in chest X-ray. ResNet and SEResNet architectures achieved the best results. SEResNet scored 99,49% accuracy in the first task, ResNet achieved 94,97% accuracy in the second task and SEResNet reached 31,53% in the third task with F1 measure as metrics for evaluating results.
The purpose of this thesis is to use convolutional neural networks for X-ray image classification of human body. Four different architectures of neural networks have been created. They were trained and tested on three tasks: classification of front and lateral chest, classification of X-ray images into several different categories and classification of diseases in chest X-ray. ResNet and SEResNet architectures achieved the best results. SEResNet scored 99,49% accuracy in the first task, ResNet achieved 94,97% accuracy in the second task and SEResNet reached 31,53% in the third task with F1 measure as metrics for evaluating results.
Description
Citation
DRONZEKOVÁ, M. Hluboké neuronové sítě pro analýzu medicínských obrazových dat [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2018.
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. Ing. Ondřej Ryšavý, Ph.D. (místopředseda)
Ing. Bohuslav Křena, Ph.D. (člen)
Ing. Tomáš Martínek, Ph.D. (člen)
doc. RNDr. Michal Novák, Ph.D. (člen)
Date of acceptance
2018-06-13
Defence
Studentka nejprve prezentovala výsledky, kterých dosáhla v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Studentka následně odpověděla na otázku oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studentky na položené otázky rozhodla práci hodnotit stupněm výborně (A) . Otázky u obhajoby: Bylo by možné využít pouze uměle generovaná RTG data k natrénování robustního modelu schopného klasifikace i na reálných datech?
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení