but.committee	prof. Ing. Martin Drahanský, Ph.D. (předseda) doc. Ing. Martin Čadík, Ph.D. (člen) prof. Dr. Bernhard Egger (člen) prof. RNDr. Michal Kozubek, Ph.D. (člen) prof. Dr. Ing. Jan Kybic (člen)	cs
but.defence	Student přednesl cíle a výsledky, kterých v rámci řešení disertační práce dosáhl. V rozpravě student odpověděl na otázky komise a oponentů. Diskuze je zaznamenána na diskuzních lístcích, které jsou přílohou protokolu. Počet diskuzních lístků: 4. Komise se v závěru jednomyslně usnesla, že student splnil podmínky pro udělení akademického titulu doktor. The student presented the goals and results, which he achieved within the solution of the dissertation. The student has competently answered the questions of the committee members and opponents. The committee has agreed unanimously that the student has fulfilled requirements for being awarded the academic title Ph.D.	cs
but.jazyk	angličtina (English)
but.program	Výpočetní technika a informatika	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Herout, Adam	en
dc.contributor.author	Kodym, Oldřich	en
dc.contributor.referee	Kozubek, Michal	en
dc.contributor.referee	Egger, Bernhard	en
dc.date.accessioned	2022-05-31T22:53:40Z
dc.date.available	2022-05-31T22:53:40Z
dc.date.created		cs
dc.description.abstract	Segmentace lebky ze 3D pacientských dat a virtuální rekonstrukce tvaru lebek s defekty jsou nejnáročnějšími kroky potřebnými pro tvorbu lebečních modelů na míru pacienta. Tyto modely jsou v kranioplastice využívány pro plánování operací, poučení pacienta a design implantátů na míru, avšak jejich využitelnost je v současnosti limitována množstvím manuální práce potřebné pro dosažení dostatečné kvality virtuálních modelů. Tato teze má za cíl zefektivnění tohoto virtuálního pracovního postupu s využitím metod hlubokého učení. Teze popisuje klinickou motivaci a současnou výzkumnou literaturu v oblasti automatizace virtuální kranioplastiky. Dále navrhuje nové řešení sestávajicí z metody automatické segmentace lebky založené na kombinaci konvoluční neuronové sítě a algoritmu graph-cut a metody automatické rekonstrukce lebky založené na kaskádě konvolučních sítí. Obě tyto komponenty demonstrují přesnost na úrovni vědeckého stavu poznání. Dále tato práce cílí na zvýšení reprodukovatelnosti výzkumu lebečních rekonstrukcí poskytnutím strukturovaného syntetického datasetu pro vývoj a srovnávání automatických metod. Hlavním cílem této práce je využitelnost v klinické praxi. Zatímco navržená metoda segmentace lebek je již v klinické praxi využívána, integrace automatické virtuální rekonstrukce lebky představuje několik dalších překážek, jako nízká tolerance k nepřesnostem ve tvaru okolo hranice defektu. Tato práce proto také navrhuje rozšíření metody rekonstrukce lebky, které umožňuje její adaptaci na cílovou populaci a typ kraniálních implantátů, který se může mezi jednotlivými klinickými pracovištěmi lišit. Výsledky vyhodnocení experta ukazují, že výstupy této metody dosahují dostatečné kvality pro implementaci do klinické praxe společně s metodou segmentace.	en
dc.description.abstract	Skull segmentation from 3D patient data and virtual reconstruction of the defective skull shape are the most challenging steps required for creation of patient-specific models of skull. These models are used in cranioplasty practice for surgery planning, patient education and patient-specific implant design, but their utility is currently limited by the amount of manual processing time required to reach sufficient virtual model quality. This thesis aims to streamline this virtual workflow by utilizing deep learning methods. The thesis proposes a novel solution that consists of an automatic skull segmentation method based on a combination of convolutional neural networks and graph cut algorithm and an automatic virtual skull reconstruction method based on convolutional network cascade. Both of these components are demonstrated to achieve state-of-the-art accuracy. This work also aims to improve reproducibility of the skull reconstruction research by providing a structured synthetic dataset for development and benchmarking of automatic methods. The main focus of this work is on applicability in clinical practice. While the proposed skull segmentation method is already successfully deployed to clinical workflow, the integration of automatic virtual skull reconstruction presents some additional challenges, such as low tolerance towards shape imperfections around the defect border. This work therefore also proposes an extension of the skull reconstruction method that allows its adaptation to target population and the desired type of cranial implant shape, which can vary between different clinical sites. The results of expert's evaluation show that the shape outputs of this method reach enough quality to be deployed into clinical practice along with the segmentation method.	cs
dc.description.mark	P	cs
dc.identifier.citation	KODYM, O. Hluboké učení pro virtuální personalizované modelování a rekonstrukci lebky [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. .	cs
dc.identifier.other	141656	cs
dc.identifier.uri	http://hdl.handle.net/11012/204607
dc.language.iso	en	cs
dc.publisher	Vysoké učení technické v Brně. Fakulta informačních technologií	cs
dc.rights	Standardní licenční smlouva - přístup k plnému textu bez omezení	cs
dc.subject	Hluboké učení; Lékařské zobrazování; Kranioplastika; Plánování operací; Segmentace lebky	en
dc.subject	Virtuální rekonstrukce lebky.	en
dc.subject	Deep learning; Medical imaging; Cranioplasty; Surgery planning; Skull segmentation	cs
dc.subject	Virtual skull reconstruction.	cs
dc.title	Hluboké učení pro virtuální personalizované modelování a rekonstrukci lebky	en
dc.title.alternative	Deep Learning for Virtual Patient-Specific Skull Modelling and Reconstruction	cs
dc.type	Text	cs
dc.type.driver	doctoralThesis	en
dc.type.evskp	dizertační práce	cs
dcterms.modified	2022-01-19-14:46:52	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	141656	en
sync.item.dbtype	ZP	en
sync.item.insts	2022.06.01 00:53:40	en
sync.item.modts	2022.06.01 00:14:47	en
thesis.discipline	Výpočetní technika a informatika	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačové grafiky a multimédií	cs
thesis.level	Doktorský	cs
thesis.name	Ph.D.	cs

Hluboké učení pro virtuální personalizované modelování a rekonstrukci lebky

Files

Original bundle

Collections