Analýza segmentačních modelů pro diagnostiku onemocnění artérií v angiografických obrazech

Simple item page
but.committeeprof. Ing. Martin Černý, Ph.D. (předseda) doc. Ing. Radim Kolář, Ph.D. (místopředseda) Ing. Vratislav Harabiš, Ph.D. (člen) Ing. Filip Plešinger, Ph.D. (člen) Ing. Vratislav Čmiel, Ph.D. (člen) Ing. Tomáš Vičar, Ph.D. (člen)cs
but.defenceStudent prezentoval výsledky své práce a komise byla seznámena s posudky. Ing. Vičar se doptal srovnání výsledků s jinými autormi a použitý dataset. Následně se doptal na optimalizační algoritmus. Ing. Plešinger se doptal na přítomnost katetrů v obrazech v datasetech. Student obhájil diplomovou práci a odpověděl na otázky členů komise a oponenta.cs
but.jazykčeština (Czech)
but.programBioinženýrstvícs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorChmelík, Jiřícs
dc.contributor.authorMalík, Michaelcs
dc.contributor.refereeNemčeková, Petracs
dc.date.accessioned2025-06-18T04:01:32Z
dc.date.available2025-06-18T04:01:32Z
dc.date.created2025cs
dc.description.abstractTato diplomová práce se zabývá segmentací tepen a stenóz na rentgenových kontrastních angiografických snímcích (XCA) pomocí modelů U-Net a DeepLabV3+. Součástí práce byla také analýza vlivu jednotlivých hyperparametrů na výslednou výkonnost modelu s využitím metod SHAP a fANOVA. Modely byly testovány na datasetu ARCADE ve variantách s předzpracováním obrazu (CLAHE, top-hat transformace) i bez něj. Výkon byl hodnocen pomocí Dice skóre, senzitivity, PPV a Jaccardova indexu. Nejlepších výsledků v segmentaci tepen dosáhl model DeepLabV3+ bez předzpracování, zatímco pro stenózy byl nejúspěšnější DeepLabV3+ s předzpracováním. Výsledky potvrzují význam volby architektury i předzpracování pro přesnost segmentace.cs
dc.description.abstractThis thesis focuses on the segmentation of arteries and stenoses in X-ray contrast angiographic (XCA) images using U-Net and DeepLabV3+ models. The work also includes an analysis of the influence of individual hyperparameters on model performance using SHAP and fANOVA methods. The models were evaluated on the ARCADE dataset, both with and without image preprocessing techniques (CLAHE, top-hat transformation). Performance was assessed using the Dice score, sensitivity, PPV, and the Jaccard index. The best results in artery segmentation were achieved by the DeepLabV3+ model without preprocessing, whereas DeepLabV3+ with preprocessing performed best in stenosis segmentation. The results highlight the importance of model architecture and preprocessing in achieving accurate segmentation.en
dc.description.markAcs
dc.identifier.citationMALÍK, M. Analýza segmentačních modelů pro diagnostiku onemocnění artérií v angiografických obrazech [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2025.cs
dc.identifier.other167556cs
dc.identifier.urihttps://hdl.handle.net/11012/253438
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.subjectHluboké učenícs
dc.subjectsegmentacecs
dc.subjectrentgenová kontrastní angiografiecs
dc.subjectneuronové sítěcs
dc.subjectanalýza modelucs
dc.subjectDeep-learningen
dc.subjectsegmentationen
dc.subjectXCAen
dc.subjectneural networksen
dc.subjectmodel analysisen
dc.titleAnalýza segmentačních modelů pro diagnostiku onemocnění artérií v angiografických obrazechcs
dc.title.alternativeAnalysis of segmentation models for coronar artery disease in XCA imagesen
dc.typeTextcs
dc.type.drivermasterThesisen
dc.type.evskpdiplomová prácecs
dcterms.dateAccepted2025-06-17cs
dcterms.modified2025-06-17-14:53:10cs
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
sync.item.dbid167556en
sync.item.dbtypeZPen
sync.item.insts2025.06.18 06:01:32en
sync.item.modts2025.06.18 05:41:36en
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:
17.69 MB
Format:
Adobe Portable Document Format
Description:
file final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
1.71 MB
Format:
Unknown data format
Description:
file appendix-1.zip
Download
Thumbnail Image
Name:
review_167556.html
Size:
5.38 KB
Format:
Hypertext Markup Language
Description:
file review_167556.html
Download
Collections
2025