Identifikace 2D CT axiálních řezů pomocí konvolučních neuronových sítí

Simple item page
but.committeeprof. Ing. Ivo Provazník, Ph.D. (předseda) doc. Ing. Martin Černý, Ph.D. (místopředseda) Ing. Marina Ronzhina, Ph.D. (člen) Ing. Oto Janoušek, Ph.D. (člen) MUDr. Marie Nováková, Ph.D. (člen) Ing. Roman Jakubíček, Ph.D. (člen)cs
but.defenceStudentka prezentovala výsledky své práce a komise byla seznámena s posudky. Ing. Ronzhina položila otázku: Je možné jeden řez pomocí Vašeho přístupu klasifikovat? Lze Vaši síť srovnat s přístupy v odborné literatuře a jaká byla jejich úspěšnost? Prof. Provazník položil otázku: Jak se lišila nasnímaná data pacientů? Studentka obhájila bakalářskou práci a odpověděla na otázky členů komise a oponenta.cs
but.jazykčeština (Czech)
but.programBiomedicínská technika a bioinformatikacs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorJakubíček, Romancs
dc.contributor.authorVavřinová, Pavlínacs
dc.contributor.refereeHarabiš, Vratislavcs
dc.date.accessioned2018-10-21T17:40:49Z
dc.date.available2018-10-21T17:40:49Z
dc.date.created2018cs
dc.description.abstractTato práce se zabývá klasifikací 2D axiálních CT řezů pacientských dat do šesti kategorií. K tomuto záměru byla využita oblast konvolučních neuronových sítí. Pro snadnější porozumění této problematice jsou nejprve vysvětleny základy neuronových sítí obecně a poté principy hlubokého učení zahrnující konvoluční neuronové sítě. Pro účely identifikace axiálních řezů byla vybrána konkrétně síť AlexNet, která byla po uzpůsobení otestovaná na vytvořené datové sadě. Celková úspěšnost klasifikace dosáhla 86%, po finálních úpravách došlo k mírnému zlepšení, kdy identifikační schopnost činila 87%.cs
dc.description.abstractThis thesis deals with the classification of axial 2D slices in CT patient’s data into six categories. The sphere of convolutional neural networks was used for this purpose. For a better understanding of this issue, the basics of neural networks and then the principles of deep learning including convolutional neural networks are explained at first. The AlexNet network was specifically selected for the intention of this identification, and it was tested on the created data set after being adaptated. The overall classification success rate was 86% ,after the final adjustments, a slight improvement was achieved and the identification success rate was 87%.en
dc.description.markAcs
dc.identifier.citationVAVŘINOVÁ, P. Identifikace 2D CT axiálních řezů pomocí konvolučních neuronových sítí [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2018.cs
dc.identifier.other110542cs
dc.identifier.urihttp://hdl.handle.net/11012/82815
dc.language.isocscs
dc.publisherVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectCTcs
dc.subjectneuronové sítěcs
dc.subjecthluboké učenícs
dc.subjectkonvoluční neuronové sítěcs
dc.subjectAlexNetcs
dc.subjectCTen
dc.subjectneural networksen
dc.subjectdeep learningen
dc.subjectconvolutional neural networksen
dc.subjectAlexNeten
dc.titleIdentifikace 2D CT axiálních řezů pomocí konvolučních neuronových sítícs
dc.title.alternativeConvolutional neural networks for identification of axial 2D slices in CT dataen
dc.typeTextcs
dc.type.driverbachelorThesisen
dc.type.evskpbakalářská prácecs
dcterms.dateAccepted2018-06-15cs
dcterms.modified2018-06-18-07:32:05cs
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
sync.item.dbid110542en
sync.item.dbtypeZPen
sync.item.insts2021.11.22 22:00:01en
sync.item.modts2021.11.22 21:41:00en
thesis.disciplineBiomedicínská technika a bioinformatikacs
thesis.grantorVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav biomedicínského inženýrstvícs
thesis.levelBakalářskýcs
thesis.nameBc.cs
Files
Original bundle
Now showing 1 - 3 of 3
Thumbnail Image
Name:
final-thesis.pdf
Size:
3.67 MB
Format:
Adobe Portable Document Format
Description:
final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
7.1 MB
Format:
zip
Description:
appendix-1.zip
Download
Thumbnail Image
Name:
review_110542.html
Size:
5.19 KB
Format:
Hypertext Markup Language
Description:
review_110542.html
Download
Collections
2018