but.committee	prof. Ing. Adam Herout, Ph.D. (předseda) doc. Ing. Ondřej Ryšavý, Ph.D. (místopředseda) Ing. Bohuslav Křena, Ph.D. (člen) doc. Ing. Tomáš Martínek, Ph.D. (člen) doc. RNDr. Michal Novák, 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 otázku oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studentky na položené otázky rozhodla práci hodnotit stupněm výborně (A) . Otázky u obhajoby: Bylo by možné využít pouze uměle generovaná RTG data k natrénování robustního modelu schopného klasifikace i na reálných datech?	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	Dronzeková, Michaela	cs
dc.contributor.referee	Kodym, Oldřich	cs
dc.date.created	2018	cs
dc.description.abstract	Cieľom tejto práce je využitie konvolučných neurónových sietí na klasifikáciu röntgenových snímok ľudského tela. Na tento účel boli vytvorené štyri neurónové siete, ktoré sa testujú na troch klasifikačných úlohách: klasifikácia bočnej a predozadnej snímky hrudníka, klasifikácia snímok do viacerých kategórií a klasifikácia chorôb na predozadnej snímke hrudníka. Najlepšie výsledky dosiahli siete ResNet a SEResNet. Pri prvej úlohe dosiahla SEResNet presnosť 99,49%, pri druhej mala najlepšie výsledky ResNet s presnosťou 94,97% a v prípade tretej úlohy dosiahla najlepší výsledok opäť SEResNet, 31,53% s použitím metriky F1 measure.	cs
dc.description.abstract	The purpose of this thesis is to use convolutional neural networks for X-ray image classification of human body. Four different architectures of neural networks have been created. They were trained and tested on three tasks: classification of front and lateral chest, classification of X-ray images into several different categories and classification of diseases in chest X-ray. ResNet and SEResNet architectures achieved the best results. SEResNet scored 99,49% accuracy in the first task, ResNet achieved 94,97% accuracy in the second task and SEResNet reached 31,53% in the third task with F1 measure as metrics for evaluating results.	en
dc.description.mark	A	cs
dc.identifier.citation	DRONZEKOVÁ, M. Hluboké neuronové sítě pro analýzu medicínských obrazových dat [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2018.	cs
dc.identifier.other	114678	cs
dc.identifier.uri	http://hdl.handle.net/11012/85072
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	Konvolučné neurónové siete	cs
dc.subject	klasifikácia	cs
dc.subject	röntgen	cs
dc.subject	umelé generovanie snímok	cs
dc.subject	Tensorflow	cs
dc.subject	Convolutional neural networks	en
dc.subject	classification	en
dc.subject	x-ray	en
dc.subject	generating artificial x-ray images	en
dc.subject	Tensorflow	en
dc.title	Hluboké neuronové sítě pro analýzu medicínských obrazových dat	cs
dc.title.alternative	Deep Learning for Medical Image Analysis	en
dc.type	Text	cs
dc.type.driver	bachelorThesis	en
dc.type.evskp	bakalářská práce	cs
dcterms.dateAccepted	2018-06-13	cs
dcterms.modified	2020-05-10-16:13:16	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	114678	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.18 19:05:43	en
sync.item.modts	2025.01.17 10:39:51	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 medicínských obrazových dat

Files

Original bundle

Collections