Hluboké neuronové sítě pro detekci landmarků v obraze

Simple item page
but.committeeprof. Ing. Adam Herout, Ph.D. (předseda) RNDr. Marek Rychlý, Ph.D. (člen) Ing. Vojtěch Mrázek, Ph.D. (člen) doc. Ing. Martin Čadík, Ph.D. (člen) Ing. Ondřej Lengál, Ph.D. (člen)cs
but.defenceStudent nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm A.cs
but.jazykangličtina (English)
but.programInformační technologiecs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorKubík, Tiboren
dc.contributor.authorStolárik, Samuelen
dc.contributor.refereeŠpaněl, Michalen
dc.date.created2024cs
dc.description.abstractDetekcia významných bodov v medicínskych snímkoch je kľúčová pre diagnostiku rôznych zdravotných ťažkostí. Tento proces je však pracný, časovo náročný a teda drahý. Ako vhodné riešenie sa ukázali hlboké neurónové siete, ktoré umožňujú vytvoriť plne automatické systémy na detekciu týchto bodov. V medicínskej praxi však automatická detekcia naráža na problém nedostatočného množstva trénovacích dát, čo zdôrazňuje potrebu efektívnej reprezentácie dát. V tejto práci sú porovnávané tri rôzne metódy reprezentácie dát počas trénovania hlbokých neurónových sietí. Prvé dve využívajú model U-Net na regresiu teplotných máp a líšia sa v spôsobe ich vytvárania: prvá metóda používa 2D Gaussovské teplotné mapy, ktoré však nezohľadňujú anatomické detaily vo vstupnom obraze, zatiaľ čo druhá metóda tento problém rieši použitím nových „contour-hugging“ teplotných máp priliehajúcich ku kontúram vo vstupnom obraze. Tretia metóda využíva grafovú neurónovú sieť na spracovanie hierarchickej grafovej reprezentácie vstupného obrazu. Experimenty ukázali, že kombinácia modelu U-Net s novými „contour-hugging“ teplotnými mapami umožnila detekovať významné body na kefalometrických snímkoch s priemernou chybou 1,8 mm, čo je zlepšenie o 3,34 % oproti 2D Gaussovským teplotným mapám. Okrem toho, táto metóda predpovedala 70,21 % významných bodov s chybou menšou ako 2 mm.en
dc.description.abstractLandmark detection in medical images is essential for the diagnosis of various medical conditions. However, it remains laborious, time-consuming, and therefore costly. Deep neural networks have proved themselves to be an applicable solution for the creation of fully automatic landmark detection systems. Automatic landmark detection in the medical domain faces the obstacle of insufficient training data; because of this, using the most efficient representation of the data is important. In this work, three different approaches to the representation of data during the training of deep neural networks were tested. The first two use the U-Net model for heatmap regression and differ in the way how the heatmaps are created. One uses 2D Gaussian heatmaps, which, however, ignore the underlying anatomical information in the input image, and the second one addresses this problem by using novel contour-hugging heatmaps. The third approach uses a graph neural network to process the hierarchical graph representation of the input image. Experiments demonstrated that the combination of the U-Net and the novel contour-hugging heatmaps could detect landmarks in cephalometric images with a mean error of 1.8 mm. This represents a 3.34% improvement over the 2D Gaussian heatmaps. Additionally, the method predicted 70.21% of landmarks with an error of less than 2 mm.cs
dc.description.markAcs
dc.identifier.citationSTOLÁRIK, S. Hluboké neuronové sítě pro detekci landmarků v obraze [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2024.cs
dc.identifier.other156814cs
dc.identifier.urihttp://hdl.handle.net/11012/247861
dc.language.isoencs
dc.publisherVysoké učení technické v Brně. Fakulta informačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectdetekcia významných bodoven
dc.subjectregresia teplotných mápen
dc.subject„contour-hugging“ teplotné mapyen
dc.subjectU-Neten
dc.subjectreprezentácia hierarchickým grafomen
dc.subjectEchoGladen
dc.subjectlandmark detectioncs
dc.subjectheatmap regressioncs
dc.subjectcontour-hugging heatmapscs
dc.subjectU-Netcs
dc.subjecthierarchical graph representationcs
dc.subjectEchoGladcs
dc.titleHluboké neuronové sítě pro detekci landmarků v obrazeen
dc.title.alternativeDeep Neural Networks for Landmark Detection in Imagescs
dc.typeTextcs
dc.type.driverbachelorThesisen
dc.type.evskpbakalářská prácecs
dcterms.dateAccepted2024-06-13cs
dcterms.modified2024-06-17-08:45:12cs
eprints.affiliatedInstitution.facultyFakulta informačních technologiícs
sync.item.dbid156814en
sync.item.dbtypeZPen
sync.item.insts2025.03.18 21:01:51en
sync.item.modts2025.01.15 20:22:48en
thesis.disciplineInformační technologiecs
thesis.grantorVysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačové grafiky a multimédiícs
thesis.levelBakalářskýcs
thesis.nameBc.cs
Files
Original bundle
Now showing 1 - 3 of 3
Thumbnail Image
Name:
final-thesis.pdf
Size:
10.43 MB
Format:
Adobe Portable Document Format
Description:
file final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.pdf
Size:
5.26 MB
Format:
Adobe Portable Document Format
Description:
file appendix-1.pdf
Download
Thumbnail Image
Name:
review_156814.html
Size:
12.27 KB
Format:
Hypertext Markup Language
Description:
file review_156814.html
Download
Collections
2024