Welcome to the BUT Digital Library - an institutional repository operated by the Central Library on the DSpace system.
Do you want to deposit your article or preceedings into Digital Library? It is very simple. You can find all the information in the manual published online on BUT Portal of libraries.
Central Library supports open access to scientific publishing - Open Access.
You can also request for grant for open publishing from Open Access Fund You can find more information OA fund web page.
Into the Digital Library is integrated citation manager Citace PRO. It will allow you to easily create a bibliographic citation or save a record in the manager.
Communities in DSpace
Select a community to browse its collections.
Recent Submissions
Item type:Item, Access status: Open Access , Deep Learning-Based Segmentation and Classification of Breast Tumors in Ultrasound Imaging(Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií) Hamza, Ali; Mézl, Martin; Matula, Petr; Kubíček, JanRakovina prsu patří mezi hlavní příčiny úmrtí souvisejících s nádorovými onemocněními u žen na celém světě, přičemž časná a přesná diagnostika hraje rozhodující roli při zlepšování výsledků přežití. Ultrazvukové zobrazování prsu je v klinické praxi široce využíváno díky své neionizující povaze, možnosti vyšetření v reálném čase, nákladové efektivitě a vhodnosti pro vyšetření denzní prsní tkáně. Ultrazvukové snímky jsou však přirozeně ovlivněny speckle šumem, nízkým kontrastem, heterogenním vzhledem tkání a závislostí na operátorovi, což významně omezuje diagnostickou spolehlivost. Za účelem řešení těchto výzev tato doktorská práce navrhuje robustní, automatizovaný systém počítačem podporované diagnostiky (CAD) pro analýzu nádorů prsu s využitím metod hlubokého učení a strojového učení. Navržený systém využívá třístupňový postup zahrnující segmentaci lézí, extrakci příznaků založenou na hlubokém učení a klasifikaci nádorů. V první fázi bylo provedeno předzpracování obrazu pomocí anisotropního difuzního filtrování s cílem potlačit speckle šum při současném zachování hranic lézí. Následně jsou prsní léze segmentovány pomocí pokročilé architektury U-Net++. Experimentální hodnocení na datasetu BUSI ukazuje, že U-Net++ dosahuje Diceova koeficientu podobnosti 0,911 a průměrného průniku nad sjednocením (IoU) 0,838, čímž překonává standardní modely U-Net a Efficient U-Net a poskytuje přesnější lokalizaci hranic. Ve druhé fázi je extrakce příznaků založená na hlubokém učení provedena pomocí odlehčené architektury MobileNetV2, která byla vybrána na základě srovnávacího hodnocení s modely InceptionV3, EfficientNetB7, ResNet50 a VGG16. MobileNetV2 nabízí optimální rovnováhu mezi diskriminační reprezentací příznaků a výpočetní efektivitou, díky čemuž je vhodný pro klinická prostředí v reálném čase i pro prostředí s omezenými výpočetními zdroji. V závěrečné fázi je hodnoceno několik klasifikátorů strojového učení, včetně umělých neuronových sítí (ANN), podpůrných vektorových strojů (SVM), náhodného lesa (RF), metody K-nejbližších sousedů (KNN) a sítí dlouhé krátkodobé paměti (LSTM), pro klasifikaci benigních, maligních a normálních nálezů. Ablační analýza potvrzuje přínos jednotlivých složek navrženého postupu, přičemž přesnost klesá na 91,2 % bez extrakce příznaků a na 88,70 % bez segmentace. Plně optimalizovaný systém dosahuje celkové klasifikační přesnosti 96,58 %, což zdůrazňuje kumulativní přínos předzpracování, segmentace a učení hlubokých příznaků. Dále se práce zabývá využitím podmíněné generativní adversariální sítě (cGAN) pro augmentaci datasetu. Klasifikační model rozšířený pomocí GAN dosahuje průměrné přesnosti křížové validace 91,4 % ± 1,2 %, přičemž záchyt maligních nádorů dosahuje 93,1 %, a zároveň vykazuje silnou generalizaci na samostatném testovacím souboru reálných snímků s přesností 91,03 %. Celkově navržený CAD systém významně snižuje závislost na operátorovi, zlepšuje diagnostickou robustnost a vykazuje značný potenciál pro klinické nasazení v reálném čase. Tato práce přináší škálovatelné, odlehčené a vysoce výkonné řešení pro diagnostiku rakoviny prsu založenou na ultrazvukovém zobrazování a poskytuje základ pro budoucí rozšíření zahrnující end-to-end učení, multimodální zobrazování a klinicky validované nasazení.Item type:Item, Access status: Open Access , Uvedení nové značky na mezinárodní trh(Vysoké učení technické v Brně. Fakulta podnikatelská) Kneblová, Jana; Chlebovský, Vít; Kareš, MartinDiplomová práce se zabývá uvedením nové značky na mezinárodní trh, díky čemuž by již existující společnost mohla zacílit na nový segment a snáze prolomit na zahraniční trhy.Item type:Person, Item type:Person, Item type:Item, Access status: Open Access , Optimalizace technologického procesu na obráběcím centru(Vysoké učení technické v Brně. Fakulta strojního inženýrství) Šnejdar, Martin; Píška, Miroslav; Chladil, JosefCílem této práce je optimalizace technologického procesu na vybraném obráběcím centru. Proces optimalizace zahrnuje redukci výrobních nákladů a výrobních časů a automatizací výroby pomocí redukce naprogramových zastavení, stopů, obráběcího centra. Toho je dosáhnuto zavedením systému automatických měření rozměrových charakteristik za pomoci systému RENISHAW integrovaným na obráběcím centru. Cílem je dosáhnout největší možné úrovně autonomie při současné redukci výrobních nákladů a výrobních časů.