but.committee	prof. Ing. Adam Herout, Ph.D. (předseda) prof. Ing. Martin Drahanský, Ph.D. (místopředseda) doc. Ing. Peter Chudý, Ph.D., MBA (člen) Mgr. Ing. Pavel Očenášek, Ph.D. (člen) Ing. Josef Strnadel, 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 dobře (C) . Otázky u obhajoby: Podle názoru oponenta by se teoreticky měla ryze konvoluční síť naučit stejné parametry a poskytovat identické výsledky, ať se učí "nad celými obrázky" nebo "nad výřezy" - jedná se o identický proces. Jaký je názor řešitele? Jak vypadá srovnání uvedených dvou modů učení/vyhodnocování, pokud se srovnání provede správně, tj. když se řešitel vystříhá průměrování dílčích F-measures?	cs
but.jazyk	čeština (Czech)
but.program	Informační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Španěl, Michal	cs
dc.contributor.author	Hlavoň, David	cs
dc.contributor.referee	Herout, Adam	cs
dc.date.created	2016	cs
dc.description.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.	cs
dc.description.abstract	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.	en
dc.description.mark	C	cs
dc.identifier.citation	HLAVOŇ, D. Hluboké neuronové sítě pro analýzu 3D obrazových dat [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2016.	cs
dc.identifier.other	96419	cs
dc.identifier.uri	http://hdl.handle.net/11012/62133
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	plně konvoluční neuronová síť	cs
dc.subject	segmentace	cs
dc.subject	podobrazy	cs
dc.subject	omezený dataset	cs
dc.subject	fully convolution neural network	en
dc.subject	segmentation	en
dc.subject	patches	en
dc.subject	limited dataset	en
dc.title	Hluboké neuronové sítě pro analýzu 3D obrazových dat	cs
dc.title.alternative	Deep Learning for 3D Image Analysis	en
dc.type	Text	cs
dc.type.driver	bachelorThesis	en
dc.type.evskp	bakalářská práce	cs
dcterms.dateAccepted	2016-06-16	cs
dcterms.modified	2020-05-10-16:12:32	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	96419	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.18 18:56:32	en
sync.item.modts	2025.01.15 16:46:08	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

Hluboké neuronové sítě pro analýzu 3D obrazových dat

Files

Original bundle

Collections