Klasifikace onemocnění COVID-19 na základě analýzy rentgenových snímků plic

Simple item page
but.committeedoc. Ing. Petr Mlýnek, Ph.D. (předseda) doc. Ing. Ivo Lattenberg, Ph.D. (místopředseda) Ing. Radim Číž, Ph.D. (člen) Ing. Stanislav Uchytil, Ph. D. (člen) Ing. Vojtěch Myška, Ph.D. (člen) Ing. Michal Mahút (člen)cs
but.defenceStudent prezentoval výsledky své práce a komise byla seznámena s posudky. Student obhájil diplomovou práci s výhradami a odpověděl na otázky členů komise a oponenta. Otázky komise, rozprava: 1) Spolupráce s FN Olomouc, využití v praxi? - Student vysvětlil otázku. 2) Existuje nějaký hlavní rys, dle kterého COVID-19 ve snících klasifikujete? - Student vysvětlil otázku. Otázky oponenta, posudek: 1) Vo vašej práci uvádzate postup predspracovania datasetu. A to konkrétne na obrázku 4.1, kde je možné vidieť grafické znázornenie postupnosti spracovania. V úvode spracovania máte použité metódy CLAHE a prispôsobenie histogramu. Aký je rozdiel medzi týmito metóda? Bolo by možné vymeniť poriadie aplikovania týchto metód? Prosím vysvetlite. - Student vysvětlil otázku.cs
but.jazykčeština (Czech)
but.programTelekomunikační a informační technikacs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorMyška, Vojtěchcs
dc.contributor.authorŠteflík, Dominikcs
dc.contributor.refereeKiac, Martincs
dc.date.created2024cs
dc.description.abstractTáto diplomová práca sa zaoberá vývojom a hodnotením algoritmov umelej inteligencie na klasifikáciu ochorenia COVID-19 z röntgenových snímok hrudníka. Vzhľadom na závažnosť a vplyv pandémie COVID-19 na svetovú populáciu sa schopnosť rýchlej a presnej diagnostiky ochorení z röntgenových snímok stala kritickou. Táto štúdia zhŕňa súčasné pokroky v oblasti spracovania obrazu a hĺbkového učenia s cieľom vyhodnotiť použitie viacerých moderných klasifikačných metód v praxi. Pomocou datasetu získaného z českého lekárskeho prostredia sa tieto metódy analyzujú a overujú za účelom preskúmania ich efektivity a presnosti v reálnych situáciách. Metódy vybrané pre túto štúdiu, COVID-Net, DarkCovidNet a CoroNet, boli zvolené vzhľadom na ich dostupnosť, rozšírené používanie a preukázanú účinnosť v tejto oblasti. Jadrom práce je návrh konvolučnej neurónovej siete prispôsobenej na extrakciu a učenie sa z nepatrných znakov prítomných na röntgenových snímkach svedčiacich o prítomnosti vírusu COVID-19. Táto snaha čelila značným výzvam, vyplývajúcim z rôznorodých akvizičných parametrov röntgenových snímok, ktoré môžu podstatne ovplyvniť diagnostickú presnosť. Jednotnosť týchto parametrov je rozhodujúca pre spoľahlivú analýzu, čo zdôrazňuje význam dôkladných techník predbežného spracovania. V dôsledku toho sa zaviedli pokročilé postupy normalizácie, úpravy kontrastu a rozšírenia s cieľom štandardizovať vstupné údaje. Samotná konvolučná sieť využíva sériu konvolučných, združovacích a plne prepojených vrstiev, ktoré sú optimalizované na zvládnutie odlišností prítomných v lekárskych obrazových dátach. Architektúra siete obsahuje mechanizmus pozornosti implementovaný prostredníctvom bloku stlačenia a excitácie na dynamické nastavenie významnosti rôznych kanálov vo vstupnom obraze. Integráciou týchto prvkov je model siete vycvičený tak, aby sa zameral na podstatné rysy v rámci röntgenových snímok, čo mu umožňuje efektívne rozoznávať nepatrné indikátory ochorenia COVID-19. Okrem iného sa v tejto práci pojednáva o~potenciáli integrácie takýchto diagnostických nástrojov riadených umelou inteligenciou do existujúcich infraštruktúr zdravotnej starostlivosti s cieľom zlepšiť včasnú detekciu a liečbu ochorenia COVID-19. Zistenia naznačujú, že využitie umelej inteligencie v lekárskom zobrazovaní môže výrazne pomôcť pri riešení a kontrole epidémií ochorení, čo v konečnom dôsledku prispieva k lepším zdravotníckym výsledkom.cs
dc.description.abstractThis diploma thesis addresses the development and evaluation of artificial intelligence algorithms for classifying COVID-19 disease from chest X-ray images. Given the severity and impact of the COVID-19 pandemic on the global population, the ability to rapidly and accurately diagnose diseases from radiographic images has become critical. This study synthesizes current advancements in image processing and deep learning to evaluate the application of several novel classification methods in practice. Using a dataset obtained from a Czech medical environment, these methods are analyzed and validated in order to examine their effectiveness and accuracy in real life scenarios. The methods chosen for this study, COVID-Net, DarkCovidNet, and CoroNet, were selected due to their availability, widespread use and proven effectiveness in the field. The core of the thesis is the design of a convolutional neural network tailored to extract and learn from the subtle features present in X-ray images indicative of COVID-19. This initiative confronted significant challenges posed by variable acquisition parameters of X-ray images, which can substantially affect diagnostic accuracy. The uniformity of these parameters is crucial for reliable analysis, underscoring the importance of rigorous preprocessing techniques. In response, advanced normalization, contrast adjustment, and augmentation procedures were implemented to standardize the input data. The convolutional network itself employs a series of convolutional, pooling, and fully connected layers, optimized to handle the nuanced variations present in medical imaging data. Notably, the network architecture incorporates an attention mechanism, implemented through a Squeeze-and-Excitation block, to dynamically adjust the importance of different channels in the input image. By integrating these elements, the network model is trained to focus on significant features within the X-ray images, allowing it to distinguish subtle indicators of COVID-19 effectively. Furthermore, this work discusses the potential of integrating these AI-driven diagnostic tools into existing healthcare infrastructures to enhance early detection and treatment of COVID-19. The findings indicate that leveraging artificial intelligence in medical imaging can substantially aid in managing and controlling disease outbreaks, ultimately contributing to better health outcomes.en
dc.description.markDcs
dc.identifier.citationŠTEFLÍK, D. Klasifikace onemocnění COVID-19 na základě analýzy rentgenových snímků plic [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2024.cs
dc.identifier.other159132cs
dc.identifier.urihttp://hdl.handle.net/11012/246064
dc.language.isocscs
dc.publisherVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectCOVID-19cs
dc.subjectumelá inteligenciacs
dc.subjectstrojové učeniecs
dc.subjecthĺbkové učeniecs
dc.subjectspracovanie obrazucs
dc.subjectröntgenová analýzacs
dc.subjectkonvolučná neurónová sieťcs
dc.subjectCOVID-19en
dc.subjectartificial intelligenceen
dc.subjectmachine learningen
dc.subjectdeep learningen
dc.subjectimage processingen
dc.subjectx-ray analysisen
dc.subjectconvolutional neural networken
dc.titleKlasifikace onemocnění COVID-19 na základě analýzy rentgenových snímků pliccs
dc.title.alternativeCOVID-19 disease classification based on analysis of chest X-raysen
dc.typeTextcs
dc.type.drivermasterThesisen
dc.type.evskpdiplomová prácecs
dcterms.dateAccepted2024-06-06cs
dcterms.modified2024-06-07-07:50:54cs
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
sync.item.dbid159132en
sync.item.dbtypeZPen
sync.item.insts2025.03.26 14:41:56en
sync.item.modts2025.01.15 16:47:31en
thesis.disciplinebez specializacecs
thesis.grantorVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav telekomunikacícs
thesis.levelInženýrskýcs
thesis.nameIng.cs
Files
Original bundle
Now showing 1 - 3 of 3
Thumbnail Image
Name:
final-thesis.pdf
Size:
30.33 MB
Format:
Adobe Portable Document Format
Description:
file final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
2.89 MB
Format:
Unknown data format
Description:
file appendix-1.zip
Download
Thumbnail Image
Name:
review_159132.html
Size:
5.5 KB
Format:
Hypertext Markup Language
Description:
file review_159132.html
Download
Collections
2024