Automatická detekce voxelů AIF v DCE-MRI pomocí metod strojového učení

Simple item page
but.committeeprof. Ing. Martin Augustynek, Ph.D. (předseda) Ing. Martin Mézl, Ph.D. (místopředseda) Ing. Vratislav Harabiš, Ph.D. (člen) Ing. Filip Plešinger, Ph.D. (člen) Ing. Tomáš Vičar, Ph.D. (člen) prof. Ing. Valentýna Provazník, Ph.D. (člen)cs
but.defenceStudentka prezentovala výsledky své práce a komise byla seznámena s posudky. Ing. Mézl položil otázku: Používali jste 2D nebo 3D data? Omezovali jste velikost shlukú při klasifikaci či shlukování? Ing. Plešinger položil otázku dělali jste selekci příznaků jen pro metodu Random Forest, nebo i pro ostatní modely? Studentka obhájila diplomovou práci a odpověděla na otázky členů komise a oponenta.cs
but.jazykangličtina (English)
but.programBioinženýrstvícs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorVitouš, Jiříen
dc.contributor.authorFrolíková, Štěpánkaen
dc.contributor.refereeJiřík, Radovanen
dc.date.created2024cs
dc.description.abstractDynamická kontrastní magnetická rezonance (DCE-MRI) je metoda používaná k hodnocení perfuze tkání. Vyžaduje co nejpřesnější identifikaci a detekci arteriální vstupní funkce (AIF). Manuální značení AIF není dostatečně rychlé a může být dost pracné. Obvykle se ale algoritmy automatické detekce nepoužívají. Cílem této práce je přesné určení AIF pomocí natrénovaného modelu využívající strojového učení. Výsledky natrénovaného modelu jsou porovnány s jinými přístupy, jako je k-means shlukování. Data použitá pro trénování a testování modelu jsou jak reálná, tak syntetická. Syntetická data jsou simulována pomocí farmakokinetického modelu DCATH. Shlukovací model je založen na algoritmu k-means, který je optimalizován pro lidská a myší data. Model strojového učení využívá klasifikátor založený na metodě náhodného lesa v kombinaci se shlukováním. Tato práce hodnotí přesnost použitých metod, jejich výhody a nevýhody. Plně automatická detekce AIF by značně ušetřila délku trvání perfúzní analýzy a kvalitu odhadu AIF.en
dc.description.abstractDynamic Contrast-Enhanced Magnetic Resonance Imaging (DCE-MRI) is a great tool for evaluating tissue perfusion. It requires accurate identification and detection of Arterial Input Function (AIF). Manual identification of AIF is not the fastest and the most effective method. Usually, automatic detection algorithms are not used. This thesis aims to precisely determine AIF using the trained machine learning model and compare the results with different approaches, like clustering. Data used for training and testing the model are both real and synthetic. The synthetic data are simulated using the DCATH pharmacokinetic model. The clustering method uses the K-means algorithm, optimized for human and mouse MRI images. The machine learning model uses a classifier based on the random forest method combined with clustering. The results evaluate this method’s accuracy and explain a model’s advantages and disadvantages. A functional and reliable automatic model will help to speed up the perfusion analysis and improve the quality of diagnosis.cs
dc.description.markBcs
dc.identifier.citationFROLÍKOVÁ, Š. Automatická detekce voxelů AIF v DCE-MRI pomocí metod strojového učení [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2024.cs
dc.identifier.other159775cs
dc.identifier.urihttp://hdl.handle.net/11012/247171
dc.language.isoencs
dc.publisherVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectDynamická kontrastní magnetická rezonance (DCE-MRI)en
dc.subjectarteriální vstupní funkce (AIF)en
dc.subjectautomatická detekce AIFen
dc.subjectsyntetizace daten
dc.subjectklasifikační model strojového učeníen
dc.subjectmetoda náhodných lesůen
dc.subjectshlukovací algoritmusen
dc.subjectDynamic Contrast-Enhanced Magnetic Resonance Imagingcs
dc.subjectArterial Input Functioncs
dc.subjectAutomatic Detection of Arterial Input Functioncs
dc.subjectData Synthesiscs
dc.subjectMachine Learning Classification Modelcs
dc.subjectRandom Forrest Classifiercs
dc.subjectClustering algorithmcs
dc.titleAutomatická detekce voxelů AIF v DCE-MRI pomocí metod strojového učeníen
dc.title.alternativeAutomatic AIF voxel detection in DCE-MRI using machine learningcs
dc.typeTextcs
dc.type.drivermasterThesisen
dc.type.evskpdiplomová prácecs
dcterms.dateAccepted2024-06-11cs
dcterms.modified2024-06-11-15:19:38cs
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
sync.item.dbid159775en
sync.item.dbtypeZPen
sync.item.insts2025.03.26 14:42:27en
sync.item.modts2025.01.17 11:14:44en
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:
3.45 MB
Format:
Adobe Portable Document Format
Description:
file final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
12.75 MB
Format:
Unknown data format
Description:
file appendix-1.zip
Download
Thumbnail Image
Name:
review_159775.html
Size:
6.5 KB
Format:
Hypertext Markup Language
Description:
file review_159775.html
Download
Collections
2024