Analýza rentgenových snímků za účelem odstranění rušivých artefaktů v bezpečnostních aplikacích
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract
Práce se zabývá problematikou dekompozice složeného rentgenového obrazu, na kterém jsou společně přítomny jak klíčové informační složky, tak složky šumu. Cílem je pomocí technik hlubokého učení přítomné rušivé artefakty ve formě opakujících se jevů na pozadí odstranit, přičemž klást důraz na precizní zachování informačních složek obsažených v obraze. K docílení byla použita konvoluční neuronová síť U-Net a její vylepšené varianty, které dominují především v odvětví segmentace obrazu. Společně byly také natrénovány a porovnány konkurenční modely dosahující výborných výsledků odstraňování šumu z obrazu. Práce představuje novou metodu, která byla srovnána s nejmodernějšími architekturami a ve výsledcích objektivně i subjektivně významně překonala na stejné datové sadě všechny porovnávané.
This work deals with the issue of the decomposition of a composite X-ray image, on which both key informational and noise components are present simultaneously. The goal is to remove the present disturbing artifacts as repeating phenomena in the background using deep learning techniques while emphasizing the precise preservation of the informational components contained in the image. To achieve this, the convolutional neural network U-Net and its improved versions, which dominate especially in image segmentation, were used. Competitive models achieving excellent results at image-denoising tasks were also trained and compared. This work proposes a novel method, which was compared with the most modern architectures on the same dataset, and which, in the results, objectively and subjectively significantly surpassed all of them.
This work deals with the issue of the decomposition of a composite X-ray image, on which both key informational and noise components are present simultaneously. The goal is to remove the present disturbing artifacts as repeating phenomena in the background using deep learning techniques while emphasizing the precise preservation of the informational components contained in the image. To achieve this, the convolutional neural network U-Net and its improved versions, which dominate especially in image segmentation, were used. Competitive models achieving excellent results at image-denoising tasks were also trained and compared. This work proposes a novel method, which was compared with the most modern architectures on the same dataset, and which, in the results, objectively and subjectively significantly surpassed all of them.
Description
Citation
SCHILLER, V. Analýza rentgenových snímků za účelem odstranění rušivých artefaktů v bezpečnostních aplikacích [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2023.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
bez specializace
Comittee
doc. Ing. Karel Burda, CSc. (předseda)
doc. JUDr. Matěj Myška, Ph.D. (místopředseda)
Ing. Anna Kubánková, Ph.D. (člen)
Ing. Ľuboš Nagy, Ph.D. (člen)
Ing. Ivo Strašil (člen)
Ing. Petr Dejdar (člen)
Date of acceptance
2023-06-13
Defence
Student prezentoval výsledky své práce a komise byla seznámena s posudky. Student obhájil bakalářskou práci a odpověděl na otázky členů komise a oponenta.
Otázky:
Je možné, že by model odstranil nejenom rušivé artefakty (v tomto případě žebra), ale i nějakou další důležitou informaci, například samotnou plicní nemoc (pneumonie, fibrózu, atd.)?
Na obrázku 4.1 jsou zobrazovány vrstvy FC1 a FC2 ale nemají nevázanost na nějaký výstup, k čemu jsou tam?
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení