but.committee	prof. Ing. Lukáš Sekanina, Ph.D. (předseda) doc. Ing. Jiří Jaroš, Ph.D. (místopředseda) Ing. Michal Hradiš, Ph.D. (člen) Ing. Zbyněk Křivka, Ph.D. (člen) Ing. Ondřej Lengál, 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 A. Otázky u obhajoby: Jakým způsobem se zachová Vaše řešení v případě překryvu více onemocnění přes sebe (např. krvácení do exsudátu)? Zvládne Vaše řešení fotokoagulační zásahy do sítnice oka? Nedojde zde k falešným detekcím?	cs
but.jazyk	čeština (Czech)
but.program	Informační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Kavetskyi, Andrii	cs
dc.contributor.author	Hurta, David	cs
dc.contributor.referee	Drahanský, Martin	cs
dc.date.created	2022	cs
dc.description.abstract	Cílem této práce je návrh a implementace algoritmu detekce mikroaneuryzmat, tvrdých exsudátů a měkkých exsudátů na barevných snímcích sítnice. Byl navržen algoritmus detekce objektů na základě hlubokého učení. Byla použita architektura Faster R-CNN s příznakovou pyramidovou sítí a předem vyučenou reziduální sítí společně s různými metodami transformace dat. Bylo využito celkově šesti datových sad snímků sítnic k trénování, ověřování a testování modelů. Vyučené modely dosáhly během testování hodnoty 0.46 střední průměrné přesnosti (mAP) při detekci mikroaneuryzmat a hodnoty 0.48 mAP během detekce exsudátů. Výsledné modely byly porovnány s publikovanými články a umožňují s chvályhodnou přesností detekovat dané patologie.	cs
dc.description.abstract	The main goal of this work is to design and implement an algorithm for the detection of microaneurysms, hard exudates, and soft exudates on color fundus images. An algorithm for detecting objects based on deep learning has been proposed. The Faster R-CNN architecture with a feature pyramid network and a pre-pretrained residual network was used together with various data transformation methods. A total of six retinal image datasets were used to train, validate and test the models. The trained models achieved 0.46 mean average accuracy (mAP) in microaneurysm detection and 0.48 mAP in exudates detection during testing. The resulting models have been compared with published articles and make it possible to detect given pathologies with commendable accuracy.	en
dc.description.mark	A	cs
dc.identifier.citation	HURTA, D. Detekce patologií na snímcích sítnice oka [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2022.	cs
dc.identifier.other	145227	cs
dc.identifier.uri	http://hdl.handle.net/11012/207354
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	detekce patologií sítnice	cs
dc.subject	barevné snímky sítnice	cs
dc.subject	mikroaneuryzmata	cs
dc.subject	exsudáty	cs
dc.subject	tvrdé exsudáty	cs
dc.subject	měkké exsudáty	cs
dc.subject	vatovitá ložiska	cs
dc.subject	hluboké učení	cs
dc.subject	Faster R-CNN	cs
dc.subject	předem vyučená síť	cs
dc.subject	příznaková pyramidová síť	cs
dc.subject	průměrná přesnost	cs
dc.subject	retinal pathology detection	en
dc.subject	color fundus images	en
dc.subject	microaneurysms	en
dc.subject	exudates	en
dc.subject	hard exudates	en
dc.subject	soft exudates	en
dc.subject	cotton wool spots	en
dc.subject	deep learning	en
dc.subject	Faster R-CNN	en
dc.subject	pretrained network	en
dc.subject	feature pyramid network	en
dc.subject	average precision	en
dc.title	Detekce patologií na snímcích sítnice oka	cs
dc.title.alternative	Pathologies Detection in Retinal Images	en
dc.type	Text	cs
dc.type.driver	bachelorThesis	en
dc.type.evskp	bakalářská práce	cs
dcterms.dateAccepted	2022-06-14	cs
dcterms.modified	2022-06-20-10:23:09	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	145227	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.18 19:42:02	en
sync.item.modts	2025.01.15 18:18:31	en
thesis.discipline	Informační technologie	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav inteligentních systémů	cs
thesis.level	Bakalářský	cs
thesis.name	Bc.	cs

Detekce patologií na snímcích sítnice oka

Files

Original bundle

Collections