Trénovatelné metody pro automatické zpracování biomedicínských obrazů

Abstract

Tato práce se zabývá možnostmi automatické segmentace biomedicínských obrazů. Pro 3D segmentaci obrazu byla navržena metoda využívající hluboké učení. V~práci jsou řešeny problémy návrhu sítě, paměťové optimalizace metody a následné složení výsledného obrazu. Unikátnost metody spočívá ve 3D zpracování snímku na GPU v kombinaci s~augmentací trénovacích dat a zachování rozměru výstupu s originálním snímkem. Toho je dosaženo rozdělením obrazu na menší části s překryvem a následným složením do původní velikosti. Funkčnost metody je ověřena na segmentaci lidské mozkové tkáně na snímcích z magnetické rezonance, kde překonává lidskou přesnost při porovnání odborník vs. odborník, a segmentaci buněk na řezech mozku octomilky z~elektronového mikroskopu, kde jsou překonány publikované výsledky z impaktovaného článku.

This thesis deals with possibilities of automatic segmentation of biomedical images. For the 3D image segmentation, a deep learning method has been proposed. In the work problems of network design, memory optimization method and subsequent composition of the resulting image are solved. The uniqueness of the method lies in 3D image processing on a GPU in combination with augmentation of training data and preservation of the output size with the original image. This is achieved by dividing the image into smaller parts with the overlay and then folding to the original size. The functionality of the method is verified on the segmentation of human brain tissue on magnetic resonance imaging, where it overcomes human accuracy when compared a specialist vs. specialist, and cell segmentation on a slices of the Drosophila brain from an electron microscope, where published results from the impacted paper are overcome.