but.committee	prof. Dr. Ing. Jan Černocký (předseda) doc. Ing. Martin Čadík, Ph.D. (místopředseda) Ing. David Bařina, Ph.D. (člen) doc. RNDr. Pavel Smrž, Ph.D. (člen) Ing. Igor Szőke, Ph.D. (člen) prof. Ing. Tomáš Vojnar, Ph.D. (člen)	cs
but.defence	Studentka nejprve prezentovala výsledky, kterých dosáhla v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Studentka následně odpověděla na otázky oponenta a na další otázky přítomných, např. ohledně podoby sítě pro segmentaci obrazu kostí a způsobu jejího natrénování či způsobu uplatnění obrazu s označením oblastí ze strany uživatele. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studentky na položené otázky rozhodla práci hodnotit stupněm B - velmi dobře . Otázky u obhajoby: Obsahují výřezy 96x96 dostatečný kontext, pro segmentaci? Můžete tuto velikost porovnat s velikostí oblasti, která ovlivní jeden pixel výstupu vašich sítí? Proč v experimentech neuvádíte souhrny výsledků? Není distorze pomocí zamíchání pixelů až příliš silná? Proč se zdá, že modely trénované na menší datové sadě konvergují pomaleji (Obr. 4.1)? Chová se tak síť i na trénovací sadě?	cs
but.jazyk	čeština (Czech)
but.program	Informační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Kodym, Oldřich	cs
dc.contributor.author	Trávníčková, Kateřina	cs
dc.contributor.referee	Hradiš, Michal	cs
dc.date.created	2020	cs
dc.description.abstract	Tato práce se zaměřuje na možnosti využití neuronových sítí pro segmentaci CT dat s omezenými možnostmi použití anotovaných dat. Hlavním prostředkem pro zlepšení kvality segmentace kostí pomocí modelu trénovaného na malé datové sadě je zde přidání uživatelské interakce. Dále jsou zkoumány možnosti využití transfer learningu v podobě předtrénování na interaktivní segmentaci na jiné než cílové datové sadě a v podobě předtrénování na restauraci dat pomocí cílové datové sady. Všechny zkoumané metody přinášejí určité zlepšení oproti baseline metodě, kterou je použití datově specifického automatického segmentačního modelu. Při trénování s velmi malými trénovacími množinami dochází ke zvýšení hodnoty Dice skóre až o desítky procent. Praktické uplatnění těchto metod může být například v jejich použití coby nástroje pro urychlení tvorby nového segmentačního datasetu.	cs
dc.description.abstract	This thesis deals with CT data segmentation using convolutional neural nets and describes the problem of training with limited training sets. User interaction is suggested as means of improving segmentation quality for the models trained on small training sets and the possibility of using transfer learning is also considered. All of the chosen methods help improve the segmentation quality in comparison with the baseline method, which is the use of automatic data specific segmentation model. The segmentation has improved by tens of percents in Dice score when trained with very small datasets. These methods can be used, for example, to simplify the creation of a new segmentation dataset.	en
dc.description.mark	B	cs
dc.identifier.citation	TRÁVNÍČKOVÁ, K. Interaktivní segmentace 3D CT dat s využitím hlubokého učení [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2020.	cs
dc.identifier.other	129896	cs
dc.identifier.uri	http://hdl.handle.net/11012/195008
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	Zpracování obrazu	cs
dc.subject	segmentace	cs
dc.subject	hluboké učení	cs
dc.subject	umělá inteligence	cs
dc.subject	konvoluční neuronové sítě	cs
dc.subject	transfer learning	cs
dc.subject	medicínská data	cs
dc.subject	CT data	cs
dc.subject	objemová data	cs
dc.subject	shlukování	cs
dc.subject	extrakce příznaků	cs
dc.subject	rekonstrukce obrazu	cs
dc.subject	interaktivní segmentace	cs
dc.subject	benchmarking	cs
dc.subject	omezená trénovací množina.	cs
dc.subject	Image processing	en
dc.subject	segmentation	en
dc.subject	deep learning	en
dc.subject	artificial intelligence	en
dc.subject	convolutional neural nets	en
dc.subject	transfer learning	en
dc.subject	medical data	en
dc.subject	CT data	en
dc.subject	volume data	en
dc.subject	clustering	en
dc.subject	feature extraction	en
dc.subject	image restoration	en
dc.subject	interactive segmentation	en
dc.subject	benchmarking	en
dc.subject	limited training set.	en
dc.title	Interaktivní segmentace 3D CT dat s využitím hlubokého učení	cs
dc.title.alternative	Interactive 3D CT Data Segmentation Based on Deep Learning	en
dc.type	Text	cs
dc.type.driver	masterThesis	en
dc.type.evskp	diplomová práce	cs
dcterms.dateAccepted	2020-08-28	cs
dcterms.modified	2020-08-30-19:06:22	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	129896	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.26 15:32:26	en
sync.item.modts	2025.01.17 14:18:48	en
thesis.discipline	Počítačová grafika a multimédia	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačové grafiky a multimédií	cs
thesis.level	Inženýrský	cs
thesis.name	Ing.	cs

Interaktivní segmentace 3D CT dat s využitím hlubokého učení

Files

Original bundle

Collections