but.committee	prof. Ing. Adam Herout, Ph.D. (předseda) doc. Mgr. Adam Rogalewicz, Ph.D. (místopředseda) doc. Ing. Michal Bidlo, Ph.D. (člen) doc. Ing. Martin Čadík, Ph.D. (člen) Ing. Zbyněk Křivka, 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 C. Otázky u obhajoby: K dispozici jste měl kromě synteticky vytvořených dat také reálné kefalometrické snímky. Testoval jste svou metodu také na reálných datech? Předpokládáte, že by dokázala snímky správně vyhodnotit jako validní pro následnou kefalometrickou analýzu? Do kolika tříd jste klasifikoval obrázky?	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	Bíl, Tomáš	cs
dc.contributor.referee	Kodym, Oldřich	cs
dc.date.created	2019	cs
dc.description.abstract	Cílem této práce je vyvinout konvoluční neuronovou síť, která bude správně klasifikovat vhodnost rentgenových snímků pro účely kefalometrické analýzy. V rámci tohoto zadání byly vytvořeny 4 sítě, které byly natrénovány na datasetu. Jedná se 2 sítě typu VGG, jedna upravená síť UNet a jedna síť Resnet. Dataset byl vygenerován z ct snímků. Nejlepších výsledků dosáhla síť VGG se 4 bloky. Naměřená přesnost na testovacím datasetu je 97%.	cs
dc.description.abstract	The goal of this thesis is developing convolutional neural network which is able to classify if x-ray images are suitable for cephalometry analysis. Four networks were created and trained on a dataset for this purpose. Two of them are VGG type, one is based on UNet and one is Resnet. The dataset was generated from ct scan images. VGG network with four blocks has got the best results. Measured accuracy performed on test dataset is 97%.	en
dc.description.mark	C	cs
dc.identifier.citation	BÍL, T. Hluboké neuronové sítě pro analýzu medicínských obrazových dat [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2019.	cs
dc.identifier.other	122164	cs
dc.identifier.uri	http://hdl.handle.net/11012/180264
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	strojové učení	cs
dc.subject	neuronové sítě	cs
dc.subject	kefalometrie	cs
dc.subject	rozpoznání obrazu	cs
dc.subject	machine learning	en
dc.subject	Artificial Neural Network	en
dc.subject	cephalometry	en
dc.subject	image recognition	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	2019-06-11	cs
dcterms.modified	2019-07-08-13:31:31	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	122164	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.18 19:25:49	en
sync.item.modts	2025.01.15 20:19:49	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