Hluboké neuronové sítě pro analýzu 3D obrazových dat

Abstract

Práce pojednává o využití plně konvolučních neuronových sítí pro segmentaci kostí z CT snímků. Typickým problémem při trénování na medicinských datech bývá omezená velikost trénovací sady. Experimenty ukázaly, že trénování na podoobrazech při omezeném počtu trénovacích dat dává lepší výsledky. Při trénování na podobrazech bylo dosaženo přesnosti segmentace 95,1%, což je o 30% více než při trénování na celých obrazech. Pro měření úspěšnosti segmentace byla zvolena metrika F-measure. Pro práci s konvolučními neuronovými sítěmi byl použit BVLC Caffe Framework.This work deals with usage of fully convolutional neural network for segmentation of bones in CT scans. Typical issue is limited size of dataset while training on medical images. Experiments show that training on patches gives score of segmentation 95,1%. Training on whole images gives score 30% less than training on patches. As metric F-measure was used. BVLC Caffe Framework was used for training neural network.