Vícetřídá segmentace 3D lékařských dat pomocí hlubokého učení

Abstract

Diplomová práce se zabývá segmentací obrazu do více tříd pomocí konvolučních neuronových sítí. Teoretická část práce se zaměřuje na souhrn problematiky segmentace obrazu, kde jsou popsány základní principy fungování jak samotných neuronových sítí, tak segmentací obrazu včetně popsání jejich různých typů a variant. V praktické částí je zvolena pro segmentace obrazu a podrobněji popsána architektura U-net, která byla aplikována na dataset medicínských dat. Dále je tu popsán postup zpracování trojrozměrných dat, jejich předzpracování a metody, jakými byla provedena celá vícetřídá segmentace. Závěr práce vyhodnocuje dosažené výsledky a zasazuje je do širšího kontextu.Master's thesis deals with multiclass image segmentation using convolutional neural networks. The theoretical part of the Master's thesis focuses on image segmentation. There are basics principles of neural networks and image segmentation with more types of approaches. In practical part the Unet architecture is choosen and is described for image segmentation more. U-net was applied for medicine dataset. There is processing procedure which is more described for image proccesing of three-dimmensional data. There are also methods for data preproccessing which were applied for image multiclass segmentation. Final part of current master's thesis evaluates results.