Potlačení šumu v rentgenových snímcích s využitím hlubokého učení
| but.committee | doc. Ing. Jiří Hozman, Ph.D. (předseda) doc. Mgr. Ing. Karel Sedlář, Ph.D. (místopředseda) Ing. Vratislav Čmiel, Ph.D. (člen) Ing. Oto Janoušek, Ph.D. (člen) Doc. MUDr. Jaromír Gumulec, Ph.D. (člen) Ing. Tomáš Vičar, Ph.D. (člen) | cs |
| but.defence | Studentka prezentovala výsledky své práce a komise byla seznámena s posudky. Ing. Vičar položila otázku: Jak byste řešila problém s přechody mezi oblastmi? Zkoušela jste nějaké překryvy? Řešila jste optimalizaci hyperparametrů? Doc. Hozman položil otázku: S jakými daty pracujete? Vyskytoval se impulsní šum od začátku? Proč jste tedy nepoužila metodu např. mediánový filtr? Studentka obhájila bakalářskou práci a odpověděla na otázky členů komise a oponenta. | cs |
| but.jazyk | angličtina (English) | |
| but.program | Biomedicínská technika a bioinformatika | cs |
| but.result | práce byla úspěšně obhájena | cs |
| dc.contributor.advisor | Zemek, Marek | en |
| dc.contributor.author | Říhová, Barbora | en |
| dc.contributor.referee | Jakubíček, Roman | en |
| dc.date.created | 2024 | cs |
| dc.description.abstract | Technologie zobrazování pomocí rentgenových paprsků je základem zkoumání vnitřní struktury velké škály objektů a výsledky mohou být právě kvůli šumu kompromitovány. Tato práce se zabývá odstraňováním šumu v rentgenových projekcích pomocí hlubokého učení, které má schopnost adaptovat se na konkrétní problém. Práce obsahuje teoretickou rešerši zaměřenou na oblasti produkce a detekce rentgenových paprsků, šumu v rentgenových snímcích a neuronových sítí. Speciální kapitola je věnována popisu vybraného řešení, které je provedeno pomocí tvorby datasetu složeného z části z modelovaných rentgenových projekcí s následně implementovaným šumem odpovídající modelu v reálných snímcích a částečně ze sérií rentgenových projekcí získaných ze zařízení Rigaku nano3DX. K implementaci byla vybrána architektura konvoluční neuronové sítě RIDNet, vzhledem k tomu, že poskytuje v oblasti redukce šumu dobré výsledky. Byly natrénovány tři modely s použitím různých částí datasetu. Nejlepší výkon byl pozorován u modelů, u kterých byla při trénování použita reálná data. Jejich účinnost je srovnatelná s tradičními metodami jako BM3D. | en |
| dc.description.abstract | X-ray imaging technology is the foundation for exploring the internal structure of a wide range of objects, however the results can be compromised by noise. This thesis is focused on the removal of noise in X-ray projections using deep learning, that has the capability to adapt to a specific task. The thesis contains a theoretical investigation focusing on the areas of X-ray production and detection, noise in X-ray images, and neural networks. A special chapter is devoted to the description of the chosen solution, which is performed by creating a dataset partially consisting of modeled X-ray projections with the subsequent incorporation of noise corresponding to noise model in real images and partly from X-ray projection series. The RIDNet convolutional neural network architecture was selected for implementation, since it shows good result for denoising task. Three models were trained using different parts of the dataset. The best performance was observed for models, that used real data for training. Their performance is comparable to traditional methods such as BM3D. | cs |
| dc.description.mark | A | cs |
| dc.identifier.citation | ŘÍHOVÁ, B. Potlačení šumu v rentgenových snímcích s využitím hlubokého učení [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2024. | cs |
| dc.identifier.other | 159719 | cs |
| dc.identifier.uri | http://hdl.handle.net/11012/247403 | |
| dc.language.iso | en | cs |
| dc.publisher | Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií | cs |
| dc.rights | Standardní licenční smlouva - přístup k plnému textu bez omezení | cs |
| dc.subject | rentgenové zobrazování | en |
| dc.subject | hluboké učení | en |
| dc.subject | šum | en |
| dc.subject | odstraňování šumu | en |
| dc.subject | konvoluční neuronové sítě | en |
| dc.subject | X-ray imaging | cs |
| dc.subject | deep learning | cs |
| dc.subject | noise | cs |
| dc.subject | denoising | cs |
| dc.subject | convolutional neural networks | cs |
| dc.title | Potlačení šumu v rentgenových snímcích s využitím hlubokého učení | en |
| dc.title.alternative | Deep learning-based noise reduction in X-ray images | cs |
| dc.type | Text | cs |
| dc.type.driver | bachelorThesis | en |
| dc.type.evskp | bakalářská práce | cs |
| dcterms.dateAccepted | 2024-06-12 | cs |
| dcterms.modified | 2024-06-12-15:39:13 | cs |
| eprints.affiliatedInstitution.faculty | Fakulta elektrotechniky a komunikačních technologií | cs |
| sync.item.dbid | 159719 | en |
| sync.item.dbtype | ZP | en |
| sync.item.insts | 2025.03.17 17:22:17 | en |
| sync.item.modts | 2025.01.15 23:18:10 | en |
| thesis.discipline | bez specializace | cs |
| thesis.grantor | Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav biomedicínského inženýrství | cs |
| thesis.level | Bakalářský | cs |
| thesis.name | Bc. | cs |
Files
Original bundle
1 - 3 of 3
Loading...
- Name:
- final-thesis.pdf
- Size:
- 7.12 MB
- Format:
- Adobe Portable Document Format
- Description:
- file final-thesis.pdf
Loading...
- Name:
- appendix-1.zip
- Size:
- 6.61 MB
- Format:
- Unknown data format
- Description:
- file appendix-1.zip
Loading...
- Name:
- review_159719.html
- Size:
- 7.62 KB
- Format:
- Hypertext Markup Language
- Description:
- file review_159719.html