Hluboké neuronové sítě pro analýzu medicínských obrazových dat
Loading...
Date
Authors
Szöllösi, Albert
Advisor
Referee
Mark
E
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
ORCID
Abstract
Táto práca ponúka možné riešenie automatickej lokalizácie landmarkov v 3D dentálnych skenoch. Tieto skeny slúžia k uľahčeniu modelovania zubných koruniek pomocou špecializovaného softvéru. Predtým však musia byť anotované, aby softvér vedel určiť, kde sa jednotlivé zuby nachádzajú. Anotácia prebieha ručne, čo síce zaručuje presnosť, ale zaberá veľa času. Výsledok tejto práce by mohol spomínaný postup výrazne zjednodušiť aplikovaním hlbokého učenia. Na lokalizáciu landmarkov bola použitá regresia tepelných máp. Z výsledkov regresie boli následne vypočítané odhadované súradnice jednotlivých landmarkov.
This thesis offers possible solution to automatic 3D dental scan landmark localization. These scans are used in dental crown design to make the design process easier using specialized software. Before that, though, the scan has to be annotated for the software to know the positions of the teeth. The annotation process is done manually, which guarantees precision, but takes a lot of time. The result of this work could make said process much simpler by applying deep learning. Landmark localization was implemented as heat map regression. Results of the regression were then used to comput the estimated landmark coordinates.
This thesis offers possible solution to automatic 3D dental scan landmark localization. These scans are used in dental crown design to make the design process easier using specialized software. Before that, though, the scan has to be annotated for the software to know the positions of the teeth. The annotation process is done manually, which guarantees precision, but takes a lot of time. The result of this work could make said process much simpler by applying deep learning. Landmark localization was implemented as heat map regression. Results of the regression were then used to comput the estimated landmark coordinates.
Description
Citation
SZÖLLÖSI, A. Hluboké neuronové sítě pro analýzu medicínských obrazových dat [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2020.
Document type
Document version
Date of access to the full text
Language of document
sk
Study field
Informační technologie
Comittee
doc. Ing. Martin Čadík, Ph.D. (předseda)
doc. Ing. Jiří Jaroš, Ph.D. (místopředseda)
Ing. David Bařina, Ph.D. (člen)
doc. Ing. Radek Burget, Ph.D. (člen)
doc. Mgr. Lukáš Holík, Ph.D. (člen)
Date of acceptance
2020-07-08
Defence
Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Komise shledala nedostatky práce natolik závažné, že se práci rozhodla hodnotit jako nevyhovující z důvodu nedostatečného popisu implementace, nesplnění minimálního rozsahu technické zprávy a formálních nedostatků. Otázky u obhajoby: Mezi chybějícími body v tabulce 5.2 se objevují některé zuby častěji, než je celkový počet dat. Jak velká tedy konkrétně byla trénovací a testovací sada a jakým způsobem byla testovací data vybrána? Jaký význam má vynásobení cílových heatmap konstantou oproti zvýšení trénovacího kroku? V závěru uvádíte, že pro společný model ("shared") mělo význam použít L2 regularizaci, dropout však ne. Z obrázků 5.6 a 5.9 se však zdá, že efekt obou technik je velmi podobný. Z čeho tedy tento závěr vychází? Co obsahují osy obrázků? Proč se obsah práce liší oproti formátu ve WIS? Co jste implementoval? Proč je práce velmi krátká? Anotaci datasetu jste dělal sám? Kolik jste na-anotoval snímků?
Result of defence
práce nebyla úspěšně obhájena