but.committee	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)	cs
but.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?	cs
but.jazyk	čeština (Czech)
but.program	Informační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Kodym, Oldřich	cs
dc.contributor.author	Škandera, Juraj	cs
dc.contributor.referee	Španěl, Michal	cs
dc.date.created	2018	cs
dc.description.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.	cs
dc.description.abstract	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.	en
dc.description.mark	B	cs
dc.identifier.citation	ŠKANDERA, J. Detekce významných bodů v medicínských obrazech pomocí hlubokých neuronových sítí [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2018.	cs
dc.identifier.other	114876	cs
dc.identifier.uri	http://hdl.handle.net/11012/85250
dc.language.iso	cs	cs
dc.publisher	Vysoké učení technické v Brně. Fakulta informačních technologií	cs
dc.rights	Standardní licenční smlouva - přístup k plnému textu bez omezení	cs
dc.subject	cefalometrické landmarky	cs
dc.subject	konvolučné neurónové siete	cs
dc.subject	detekcia landmarkov	cs
dc.subject	hlboké učenie	cs
dc.subject	cefalogram	cs
dc.subject	cephalometric landmarks	en
dc.subject	convolutional neural networks	en
dc.subject	landmark detection	en
dc.subject	deep learning	en
dc.subject	cephalogram	en
dc.title	Detekce významných bodů v medicínských obrazech pomocí hlubokých neuronových sítí	cs
dc.title.alternative	Landmark Detection in Medical Images Using Deep Neural Networks	en
dc.type	Text	cs
dc.type.driver	bachelorThesis	en
dc.type.evskp	bakalářská práce	cs
dcterms.dateAccepted	2018-06-13	cs
dcterms.modified	2020-05-10-16:13:27	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	114876	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.18 19:08:54	en
sync.item.modts	2025.01.15 19:22:32	en
thesis.discipline	Informační technologie	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačové grafiky a multimédií	cs
thesis.level	Bakalářský	cs
thesis.name	Bc.	cs

Detekce významných bodů v medicínských obrazech pomocí hlubokých neuronových sítí

Files

Original bundle

Collections