Detekce významných bodů v medicínských obrazech pomocí hlubokých neuronových sítí
Loading...
Date
Authors
Škandera, Juraj
ORCID
Advisor
Referee
Mark
B
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Táto práca sa zaoberá detekciou anatomických bodov z cefalometrických RTG snímkov pomocou konvolučných neurónových sietí. Program pracuje nad verejne dostupným datasetom, ktorý obsahuje bočné RTG snímky lebky. V rámci práce sú navrhnuté dve architektúry konvolučných neurónových sietí. Najlepšia architektúra dosahuje úspešnosť 73.22% pre detekciu do 5 mm. Program je tvorený v jazyku Python s využitím knižnice Tensorflow.
This thesis deals with detection of anatomical landmarks from cephalometric X-ray images using convolutional neural networks. Program works with public available dataset, which consists of side X-ray images of skull. There are two architectures of convolutional neural networks proposed in this thesis. The best architecture achieves accuracy of 73.22% for detection within 5 mm. Program is created in Python language with use of Tensorflow framework.
This thesis deals with detection of anatomical landmarks from cephalometric X-ray images using convolutional neural networks. Program works with public available dataset, which consists of side X-ray images of skull. There are two architectures of convolutional neural networks proposed in this thesis. The best architecture achieves accuracy of 73.22% for detection within 5 mm. Program is created in Python language with use of Tensorflow framework.
Description
Citation
ŠKANDERA, J. Detekce významných bodů v medicínských obrazech pomocí hlubokých neuronových sítí [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2018.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Informační technologie
Comittee
prof. Ing. Adam Herout, Ph.D. (předseda)
doc. Ing. Ondřej Ryšavý, Ph.D. (místopředseda)
Ing. Bohuslav Křena, Ph.D. (člen)
doc. Ing. Tomáš Martínek, Ph.D. (člen)
doc. RNDr. Michal Novák, Ph.D. (člen)
Date of acceptance
2018-06-13
Defence
Student 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 velmi dobře (B) . Otázky u obhajoby: Vysvětlete použitou stacked hourglass architekturu (Obr. 5.6) - např. co je vstupem do druhého hourglass modulu? Proč jste pro vyhodnocení úspěšnosti detekce landmarků zvolil hranici do 5 mm? V textu uvádíte, že za přesnou detekci se považuje odchylka do 2 mm a akceptovatelná je do 4 mm. Jaké úspěšnosti dosahujete v těchto mezích? Je možné charakterizovat, které typy anatomických bodů Vaše síť dokáže detekovat úspěšně a pro jaké typy bodů selhává?
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení