Využití neoznačenačených dat pro segmentaci sítnice

Simple item page
but.committeedoc. Ing. Jiří Hozman, Ph.D. (předseda) doc. Mgr. Ing. Karel Sedlář, Ph.D. (místopředseda) Ing. Roman Jakubíček, Ph.D. (člen) Ing. Vratislav Čmiel, Ph.D. (člen) MUDr. Zuzana Nováková, Ph.D. (člen) Ing. Vojtěch Bartoň (člen)cs
but.defenceStudent prezentoval výsledky své práce a komise byla seznámena s posudky. Dr. Jakubíček se doptal na kus kódu v prezentaci? Co znamenají jednotlivé vstupy? Z čeho všeho jste počítal výsledný Dice? Jsou neúspěšné segmentace započítané do Dice? Student obhájil bakalářskou práci a odpověděl na otázky členů komise a oponenta.cs
but.jazykangličtina (English)
but.programBiomedicínská technika a bioinformatikacs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorVičar, Tomášen
dc.contributor.authorShemshur, Andriien
dc.contributor.refereeJakubíček, Romanen
dc.date.created2024cs
dc.description.abstractTato bakalářská práce se zabývá vývojem a hodnocením pokročilých metod pro segmentaci lékařských snímků v kontextu omezených trénovacích dat. Studie zkoumá techniky učení pod dohledem využívající konvoluční neuronové sítě (CNN), přenosové učení s předtrénovanými modely a strategie učení s částečným dohledem. Jako základní model byl použit model konvoluční neuronové sítě (CNN) s dohledem založený na architektuře U-Net, který dosáhl koeficientu Dice 77,6% a průniku nad sjednocením (IoU) 63,4%. Použití přenosového učení pomocí kodéru ResNet34 předtrénovaného na síti ImageNet vedlo k výraznému zlepšení výkonu s koeficientem Dice 81,9%, IoU 69,3% a přesností 96,7%. Kromě toho byly ke zvýšení výkonu modelu použity strategie učení s částečným dohledem, včetně pseudoznačení a předtrénování denoizace. Přístup pseudoznačení přinesl koeficient Dice 81,7% a IoU 69,1%, čímž prokázal účinnost využití neoznačených dat. Přístup před tréninkem denoizace prokázal robustní výkonnost a dosáhl koeficientu Dice 80,3% a IoU 67,0%, a to i v přítomnosti zašuměných a neoznačených dat. Tyto výsledky podtrhují potenciál transferového učení a poloprovozních metod pro zvýšení přesnosti segmentace při analýze lékařských snímků. Poskytují solidní základ pro budoucí výzkum v této oblasti.en
dc.description.abstractThis bachelor's thesis is concerned with the development and evaluation of advanced methods for medical image segmentation in the context of limited training data. The study examines supervised learning techniques employing Convolutional Neural Networks (CNNs), transfer learning with pre-trained models, and semi-supervised learning strategies. A supervised convolutional neural network (CNN) model based on the U-Net architecture was employed as the baseline, achieving a Dice coefficient of 77.6\% and an intersection over union (IoU) of 63.4%. The application of transfer learning using a ResNet34 encoder pre-trained on ImageNet led to a notable improvement in performance, with a Dice coefficient of 81.9%, an IoU of 69.3%, and an accuracy of 96.7%. Furthermore, semi-supervised learning strategies, including pseudo-labeling and denoising pretraining, were employed to enhance the model's performance. The pseudo-labeling approach yielded a Dice coefficient of 81.7% and an IoU of 69.1%, thereby demonstrating the efficacy of leveraging unlabeled data. The denoising pretraining approach demonstrated robust performance, achieving a Dice coefficient of 80.3% and an IoU of 67.0%, even in the presence of noisy and unlabeled data. These outcomes underscore the potential of transfer learning and semi-supervised methods to enhance segmentation accuracy in medical image analysis. They provide a robust foundation for future research in this field.cs
dc.description.markBcs
dc.identifier.citationSHEMSHUR, A. Využití neoznačenačených dat pro segmentaci sítnice [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2024.cs
dc.identifier.other159722cs
dc.identifier.urihttp://hdl.handle.net/11012/246795
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.subjectSegmentace lékařských snímkůen
dc.subjectkonvoluční neuronové sítěen
dc.subjectučení s přenosemen
dc.subjectučení s částečným dohledemen
dc.subjectpseudoznačeníen
dc.subjectpředtrénování denoisinguen
dc.subjectU-Neten
dc.subjectResNet34en
dc.subjectsnímky sítniceen
dc.subjectMedical Image Segmentationcs
dc.subjectConvolutional Neural Networkscs
dc.subjectTransfer Learningcs
dc.subjectSemi-supervised Learningcs
dc.subjectPseudo-labelingcs
dc.subjectDenoising Pretrainingcs
dc.subjectU-Netcs
dc.subjectResNet34cs
dc.subjectRetinal Imagescs
dc.titleVyužití neoznačenačených dat pro segmentaci sítniceen
dc.title.alternativeUsing unlabeled data for retinal segmentationcs
dc.typeTextcs
dc.type.driverbachelorThesisen
dc.type.evskpbakalářská prácecs
dcterms.dateAccepted2024-06-11cs
dcterms.modified2024-06-12-15:39:13cs
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
sync.item.dbid159722en
sync.item.dbtypeZPen
sync.item.insts2025.03.17 17:20:04en
sync.item.modts2025.01.15 17:52:14en
thesis.disciplinebez specializacecs
thesis.grantorVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav biomedicínského inženýrstvícs
thesis.levelBakalářskýcs
thesis.nameBc.cs
Files
Original bundle
Now showing 1 - 3 of 3
Thumbnail Image
Name:
final-thesis.pdf
Size:
6.67 MB
Format:
Adobe Portable Document Format
Description:
file final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
21.62 KB
Format:
Unknown data format
Description:
file appendix-1.zip
Download
Thumbnail Image
Name:
review_159722.html
Size:
7.15 KB
Format:
Hypertext Markup Language
Description:
file review_159722.html
Download
Collections
2024