Segmentace cévního řečiště ve snímcích sítnice metodami hlubokého učení

Simple item page
but.committeedoc. Ing. Radim Kolář, Ph.D. (předseda) doc. Ing. Daniel Schwarz, Ph.D. (místopředseda) Ing. Josef Halámek, CSc. (člen) Ing. Martin Vítek, Ph.D. (člen) Ing. Marina Filipenská, Ph.D. (člen) MUDr. Šárka Sekorová (člen)cs
but.defenceStudentka prezentovala výsledky své práce a komise byla seznámena s posudky. Ing. Schwarz se zeptal na odůvodnění vybraného počtu epoch učení. Ing Halámek se zeptal na použité databáze pro učení. Ing Ronzhina se zeptala na důvod poklesu úspěšnosti při modifikaci sítě. Studentka obhájila diplomovou práci a odpověděla na otázky členů komise a oponenta.cs
but.jazykčeština (Czech)
but.programElektrotechnika, elektronika, komunikační a řídicí technikacs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorKolář, Radimcs
dc.contributor.authorSerečunová, Stanislavacs
dc.contributor.refereeVičar, Tomášcs
dc.date.created2018cs
dc.description.abstractTáto diplomová práca sa zaoberá využitím hlbokých neurónových sietí so zameraním na segmentáciu obrazu. Teoretická časť obsahuje popis hlbokých neurónových sietí a súhrn využívaných architektúr konvolučných sietí v oblasti segmentácie objektov z obrazu. V praktickej časti bola testovaním existujúcich príkladov používaných architektúr sietí naštudovaná open-source softwarová knižnica pre strojové učenie Tensorflow, implementovaná v programovacom jazyku Python. Obecným problémom použitia konvolučných neurónových sietí je požadované veľké množstvo vstupných dát. Z tohto dôvodu bola vytvorená nová dátová sada skladajúca sa z kombinácie piatich voľne dostupných databáz. Zvolená architektúra siete U-net bola testovaná prvou modifikáciou novo vytvorenej dátovej sady. Na základe výsledkov je zvolená architektúra siete modifikovaná, vďaka čomu bola vytvorená nová sieť, ktorá dosahuje lepšie výsledky než originálna sieť. Modifikovaná architektúra je následne trénovaná na vytvorenej dátovej sade, ktorá obsahuje snímky z rôznych typov fundus kamier. Natrénovaná sieť je vďaka tomuto prístupu vo výsledku robustnejšia a umožňuje segmentaciu cievneho riečiska snímkov z rôznymi parametrami. Modifikovaná architektúra bola otestovaná na databázach STARE, CHASE a HRF. Výsledky boli porovnané z publikovanými metódami segmentácie z literatúry, založených na konvolučných neurónových sieťach, ale aj klasickými metódami segmentácie. Vytvorená sieť vykazuje vysokú úspešnosť segmentácie cievneho riečiska porovnateľnú so state-of-the-art metódami.cs
dc.description.abstractThis diploma thesis deals with the application of deep neural networks with focus on image segmentation. The theoretical part contains a description of deep neural networks and a summary of widely used convolutional architectures for segmentation of objects from the image. Practical part of the work was devoted to testing of an existing network architectures. For this purpose, an open-source software library Tensorflow, implemented in Python programming language, was used. A frequent problem incorporating the use of convolutional neural networks is the requirement on large amount of input data. In order to overcome this obstacle a new data set, consisting of a combination of five freely available databases was created. The selected U-net network architecture was tested by first modification of the newly created data set. Based on the test results, the chosen network architecture has been modified. By these means a new network has been created achieving better performance in comparison to the original network. The modified architecture is then trained on a newly created data set, that contains images of different types taken with various fundus cameras. As a result, the trained network is more robust and allows segmentation of retina blood vessels from images with different parameters. The modified architecture was tested on the STARE, CHASE, and HRF databases. Results were compared with published segmentation methods from literature, which are based on convolutional neural networks, as well as classical segmentation methods. The created network shows a high success rate of retina blood vessels segmentation comparable to state-of-the-art methods.en
dc.description.markAcs
dc.identifier.citationSEREČUNOVÁ, S. Segmentace cévního řečiště ve snímcích sítnice metodami hlubokého učení [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2018.cs
dc.identifier.other110584cs
dc.identifier.urihttp://hdl.handle.net/11012/81548
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.subjectneuróncs
dc.subjecthlboké neurónové sietecs
dc.subjectkonvolúciacs
dc.subjectsegmentácia obrazucs
dc.subjectTensorflowcs
dc.subjectKerascs
dc.subjectsnímky očného pozadiacs
dc.subjectdátová sadacs
dc.subjectneuronen
dc.subjectconvolutionen
dc.subjectdeep learning neural networken
dc.subjectimage segmentationen
dc.subjectTensorflowen
dc.subjectKerasen
dc.subjectretinal imagesen
dc.subjectimage dataseten
dc.titleSegmentace cévního řečiště ve snímcích sítnice metodami hlubokého učenícs
dc.title.alternativeBlood vessel segmentation in retinal images using deep learning approachesen
dc.typeTextcs
dc.type.drivermasterThesisen
dc.type.evskpdiplomová prácecs
dcterms.dateAccepted2018-06-12cs
dcterms.modified2018-06-12-16:23:10cs
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
sync.item.dbid110584en
sync.item.dbtypeZPen
sync.item.insts2025.03.26 13:34:17en
sync.item.modts2025.01.15 15:08:53en
thesis.disciplineBiomedicínské a ekologické inženýrstvícs
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:
22.36 MB
Format:
Adobe Portable Document Format
Description:
final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
12.01 KB
Format:
zip
Description:
appendix-1.zip
Download
Thumbnail Image
Name:
review_110584.html
Size:
4.94 KB
Format:
Hypertext Markup Language
Description:
file review_110584.html
Download
Collections
2018