Využití konvolučních neuronových sítí pro segmentaci chrupavčitých tkání myších embryí v mikro-CT datech

Simple item page
but.committeedoc. Ing. Radim Kolář, Ph.D. (předseda) Ing. Jan Odstrčilík, Ph.D. (místopředseda) doc. Mgr. Ing. Karel Sedlář, Ph.D. (člen) Ing. Roman Jakubíček, Ph.D. (člen) Doc. MUDr. Jaromír Gumulec, Ph.D. (člen)cs
but.defenceStudentka prezentovala výsledky své práce a komise byla seznámena s posudky. MUDr. Gumulec položil otázku: Domníváte se, že kdyby bylo trénovacích dat více, byl by výsledek kvalitnější? Jakým způsobem byla provedena manuální anotace? Ing. Jakubíček položil otázku: Brala jste v potaz velikost boxelu při změně os? Je nějaký důvod k nahrazení denzních vrstev? Doc. Kolář položil otázku: Jaké byste dala know-how pro začínající práci s deep learningem? Co považujete za limity v použitých metodách? Studentka obhájila diplomovou práci a odpověděla na otázky členů komise a oponenta.cs
but.jazykangličtina (English)
but.programBiomedicínské inženýrství a bioinformatikacs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorChmelík, Jiříen
dc.contributor.authorPoláková, Veronikaen
dc.contributor.refereeVičar, Tomášen
dc.date.created2021cs
dc.description.abstractAutomatická segmentace biologických struktur v mikro-CT datech je stále výzvou, protože často objekt zájmu (v našem případě obličejová chrupavka) není charakterizovaný unikátním jasem či ostrými hranicemi. V posledních letech se konvoluční neuronové sítě (CNNs) staly mimořádně populárními v mnoha oblastech počítačového vidění. Konkrétně pro segmentaci biomedicínských obrazů je široce používaná architektura U-Net. Nicméně v případě mikro-CT dat vyvstává otázka, zda by nebylo výhodnější použít 3D CNN. Diplomová práce navrhla CNN architekturu založenou na síti V-Net včetně metodologie pro předzpracování a postprocessing dat. Základní architektura byla dále optimalizována pomocí pokročilých architektonických modifikací jako jsou pyramidální modul dilatovaných konvolucí (ASPP modul), škálovatelná exponenciálně-lineární jednotka (SELU aktivační funkce), víceúrovňová kontrola učení (multi-output supervision) či bloky s hustými propojeními (Dense blocks). Pro učení sítě byly použity moderní přístupy jako zahřívání kroku učení (learning rate warmup) či AdamW optimalizátor. I přes to, že 3D CNN v úloze segmentace obličejové chrupavky nepřekonala U-Net, optimalizace zvýšila medián Dice koeficientu z 69,74 % na 80,01 %. Používání těchto pokročilých architektonických modifikací v dalším výzkumu je proto vřele doporučováno, jelikož můžou být přidány do libovolné architektury typu U-Net a zároveň výrazně zlepšit výsledky.en
dc.description.abstractAutomatic segmentation of the biological structures in micro-CT data is still a challenge since the object of interest (craniofacial cartilage in our case) is commonly not characterized by unique voxel intensity or sharp borders. In recent years, convolutional neural networks (CNNs) have become exceedingly popular in many areas of computer vision. Specifically, for biomedical image segmentation problems, U-Net architecture is widely used. However, in the case of micro-CT data, there is a question whether 3D CNN would not be more beneficial. The master thesis introduced CNN architecture based on V-Net as well as the methodology for data preprocessing and postprocessing. The baseline architecture was further optimized using advanced architectural modifications such as Atrous Spatial Pyramid Pooling (ASPP) module, Scaled Exponential Linear Unit (SELU) activation function, multi-output supervision and Dense blocks. For network learning, modern approaches were used including learning rate warmup or AdamW optimizer. Even though the 3D CNN do not outperform U-Net regarding the craniofacial cartilage segmentation, the optimization raises the median of Dice coefficient from 69.74 % to 80.01 %. Therefore, utilizing these advanced architectural modifications is highly encouraged as they can be easily added to any U-Net-like architecture and may remarkably improve the results.cs
dc.description.markAcs
dc.identifier.citationPOLÁKOVÁ, V. Využití konvolučních neuronových sítí pro segmentaci chrupavčitých tkání myších embryí v mikro-CT datech [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2021.cs
dc.identifier.other134437cs
dc.identifier.urihttp://hdl.handle.net/11012/197029
dc.language.isoencs
dc.publisherVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectkonvoluční neuronové sítěen
dc.subjectrentgenová výpočetní mikrotomografieen
dc.subjectsegmentace obrazuen
dc.subjectchrupavčitá tkáňen
dc.subjectV-Neten
dc.subjectconvolutional neural networkscs
dc.subjectX-ray micro computed tomographycs
dc.subjectimage segmentationcs
dc.subjectcartilaginous tissuecs
dc.subjectV-Netcs
dc.titleVyužití konvolučních neuronových sítí pro segmentaci chrupavčitých tkání myších embryí v mikro-CT datechen
dc.title.alternativeUtilization of convolutional neural networks for segmentation of mouse embryos cartilaginous tissue in micro-CT datacs
dc.typeTextcs
dc.type.drivermasterThesisen
dc.type.evskpdiplomová prácecs
dcterms.dateAccepted2021-06-09cs
dcterms.modified2021-06-25-12:39:30cs
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
sync.item.dbid134437en
sync.item.dbtypeZPen
sync.item.insts2025.03.26 14:27:58en
sync.item.modts2025.01.15 18:10:30en
thesis.disciplinebez specializacecs
thesis.grantorVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav biomedicínského inženýrstvícs
thesis.levelInženýrskýcs
thesis.nameIng.cs
Files
Original bundle
Now showing 1 - 3 of 3
Thumbnail Image
Name:
final-thesis.pdf
Size:
20.14 MB
Format:
Adobe Portable Document Format
Description:
final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
32.43 KB
Format:
zip
Description:
appendix-1.zip
Download
Thumbnail Image
Name:
review_134437.html
Size:
6.08 KB
Format:
Hypertext Markup Language
Description:
file review_134437.html
Download
Collections
2021