2024

Permanent URI for this collection

Browse

Recent Submissions

Now showing 1 - 5 of 277
  • Item
    Systém pro monitorování technického stavu ozařovačů
    (Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií, ) Šulc, Michal; Mézl, Martin; Králík, Martin
    Práce "Systém pro monitorování technického stavu ozařovačů" se zaměřuje na vývoj systému, který usnadňuje zobrazení, interpretaci a následné zpracování dat ze zkoušek stálosti na lineárních urychlovačích. Práce je rozdělena na teoretickou a praktickou část. Teoretická část se zabývá radioterapií a prováděnými technickými zkouškami. Praktická část popisuje tvorbu systému a jeho implementaci. Výsledný produkt bude využíván v klinické praxi na Klinice radiační onkologie Masarykova onkologického ústavu.
  • Item
    Možnosti neuronových sítí využívajících kapsle pro zpracování medicínských obrazů
    (Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií, ) Šipula, Samuel; Chmelík, Jiří; Vičar, Tomáš
    Nasledujúca diplomová práca zoznamuje čitateľa s pomerne novým prístupom hlbokého učenia, kapsulovou neurónovou sieťou. Práca popisuje princíp fungovania kapsulových sietí a porovnáva ich so zaužívanými konvolučnými sieťami. Ďalej sa čitateľ zoznamuje s využitím tejto techniky pri spracovaní medicínskych obrazov. V praktickej časti práce je opísaný postup učenia kapsulovej siete a referenčnej konvolučnej siete na dvoch datasetoch. Cieľom diplomovej práce je porovnať vplyv veľkosti datasetu na výslednú efektivitu oboch typov sietí.
  • Item
    Implementace modelu hlubokého učení pro segmentaci páteřních nádorů u pacientů s mnohočetným myelomem v CT datech
    (Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií, ) Gálík, Pavel; Nohel, Michal; Chmelík, Jiří
    Tato diplomová práce se zabývá implementací modelu hlubokého učení pro segmentaci páteřních nádorů pacientů s mnohočetným myelomem v CT datech. Práce seznamuje čtenáře s anatomií páteře, tématem mnohočetného myelomu a principy CT zobrazování. Hluboké učení se stává důležitou součástí vývoje počítačem podporovaných systémů detekce a diagnostiky, práce uvádí různé modely hlubokého učení pro segmentaci obrazu a pro segmentaci nádorů páteře byl implementován model nnU-Net.
  • Item
    Analýza a ověření metody měření průtoku krve v cévní protéze pomocí triboelektrických materiálů
    (Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií, ) Hanák, Tomáš; Holcman, Vladimír; Tofel, Pavel
    Tato diplomová práce se zaměřuje na problematiku triboelektrických nanogenerátorů (TENG) a možnosti využít je jako zdroje energie získané pohyby cévní protézy, a tím analyzovat průtok krve cévní protézou. První část práce se věnuje literární rešerši v oblasti kardiovaskulárního systému. Dále se práce věnuje problematice cévních náhrad, analyzuje různé typy a výrobu cévních protéz a zkoumá možnosti integrace triboelektrických generátorů na tyto protézy. Také se zabývá otázkou kompatibility materiálů a optimalizací spojení mezi cévní protézou a TENG za účelem efektivního sběru energie. Práce se zaměřuje na metody elektrické charakterizace TENG implantátů, zahrnující přístupy k měření generovaného proudu a napětí. Jsou rozebrány různé typy těchto kontaktů a jejich elektrické vlastnosti. V praktické části práce jsou navrženy a vytvořeny typy triboelektrických nanogenerátorů. Jsou zobrazeny a znázorněny elektrické odezvy jednotlivých triboelektrických nanogenerátorů, nanesených na cévní protéze, na stimulaci mechanickým namáháním stěny protézy.
  • Item
    Automatická detekce voxelů AIF v DCE-MRI pomocí metod strojového učení
    (Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií, ) Frolíková, Štěpánka; Vitouš, Jiří; Jiřík, Radovan
    Dynamická kontrastní magnetická rezonance (DCE-MRI) je metoda používaná k hodnocení perfuze tkání. Vyžaduje co nejpřesnější identifikaci a detekci arteriální vstupní funkce (AIF). Manuální značení AIF není dostatečně rychlé a může být dost pracné. Obvykle se ale algoritmy automatické detekce nepoužívají. Cílem této práce je přesné určení AIF pomocí natrénovaného modelu využívající strojového učení. Výsledky natrénovaného modelu jsou porovnány s jinými přístupy, jako je k-means shlukování. Data použitá pro trénování a testování modelu jsou jak reálná, tak syntetická. Syntetická data jsou simulována pomocí farmakokinetického modelu DCATH. Shlukovací model je založen na algoritmu k-means, který je optimalizován pro lidská a myší data. Model strojového učení využívá klasifikátor založený na metodě náhodného lesa v kombinaci se shlukováním. Tato práce hodnotí přesnost použitých metod, jejich výhody a nevýhody. Plně automatická detekce AIF by značně ušetřila délku trvání perfúzní analýzy a kvalitu odhadu AIF.