Moderní přístup k měření citlivosti mikrobiálních kultur na antibiotika s využitím strojového učení

Simple item page
but.committeeprof. Ing. Zdeněk Smékal, CSc. (předseda) doc. Ing. Radim Burget, Ph.D. (místopředseda) Ing. Pavel Hanák, Ph.D. (člen) Ing. Jiří Přinosil, Ph.D. (člen) Ing. Lukáš Jablončík (člen) Ing. Markéta Řepková (člen) Ing. Ondřej Šmirg, Ph.D. (člen)cs
but.defenceOtázky: Jakým způsobem jste integroval detekční modely a algoritmy zpracování obrazu do webové aplikace? Můžete popsat technické detaily této integrace? Jaký význam mají dosažené výsledky pro praktické použití v mikrobiologických laboratořích? Jaké přínosy přináší vaše řešení pracovníkům v těchto laboratořích? Student prezentoval výsledky své práce a komise byla seznámena s posudky. Student obhájil bakalářskou práci a odpověděl na otázky členů komise a oponenta.cs
but.jazykčeština (Czech)
but.programTelekomunikační a informační systémycs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorČičatka, Michalcs
dc.contributor.authorLepík, Jakubcs
dc.contributor.refereeBurget, Radimcs
dc.date.created2024cs
dc.description.abstractBakalářská práce se zaměřuje na problematiku měření citlivosti mikrobiálních kultur na antibiotika (AST), konkrétně na vylepšení a automatizaci vyhodnocení diskové difúzní metody pomocí strojového učení a architektur pro detekci objektů v obraze. Díky využití vývojové platformy TensorFlow a rozsáhlé datové sady, na níž byly vytrénovány vlastní detekční modely, jako je EfficientDet, je umožněno zpracování široké škály vstupních dat. To přináší možnost využití mobilních zařízení vedle tradičních laboratorních přístrojů při vyhodnocování této metody. Pomocí dalších technik zpracování obrazu a knihovny OpenCV byl vyvinut vlastní algoritmus na měření velikosti inhibičních zón, který je společně s detekčními modely integrován v rámci modulu do webové aplikace společnosti Bruker Daltonics GmbH & Co. Tento modul, vyvíjený pomocí platformy ASP.NET, je přehledným a užitečným nástrojem pro asistenci pracovníkům v mikrobiologických laboratořích.cs
dc.description.abstractThe bachelor's thesis focuses on antibiotic susceptibility testing (AST), specifically enhancing and automating the assessment of the disk diffusion method using machine learning and object detection architectures. Thanks to the TensorFlow development platform and extensive dataset, on which custom detection models like EfficientDet were trained, processing a wide range of input data is enabled. This brings the possibility of using mobile devices alongside traditional laboratory equipment when evaluating this method. By employing additional image processing techniques and the OpenCV library, a custom algorithm for measuring the size of inhibitory zones was developed, which, along with the detection models, is integrated within the application module developed by Bruker Daltonics GmbH & Co. KG. This module, created using the ASP.NET platform, is a precise and valuable tool for assisting personnel in microbiological laboratories.en
dc.description.markAcs
dc.identifier.citationLEPÍK, J. Moderní přístup k měření citlivosti mikrobiálních kultur na antibiotika s využitím strojového učení [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2024.cs
dc.identifier.other159113cs
dc.identifier.urihttp://hdl.handle.net/11012/246453
dc.language.isocscs
dc.publisherVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectASTcs
dc.subjectASP.NETcs
dc.subjectC++cs
dc.subjectC\#cs
dc.subjectdisková difúzní metodacs
dc.subjectJupytercs
dc.subjectkonvoluční neuronová síťcs
dc.subjectOpenCVcs
dc.subjectPythoncs
dc.subjectstrojové učenícs
dc.subjectTensorFlowcs
dc.subjecttestování citlivosti na antibiotikacs
dc.subjectumělá inteligencecs
dc.subjectantibiotic susceptibility testingen
dc.subjectASTen
dc.subjectartificial intelligenceen
dc.subjectASP.NETen
dc.subjectconvolutional neural networken
dc.subjectC++en
dc.subjectC\#en
dc.subjectdisk diffusion methoden
dc.subjectEfficientDeten
dc.subjectJupyteren
dc.subjectmachine learningen
dc.subjectOpenCVen
dc.subjectPythonen
dc.subjectTensorFlowen
dc.titleModerní přístup k měření citlivosti mikrobiálních kultur na antibiotika s využitím strojového učenícs
dc.title.alternativeA modern approach to measuring antibiotic susceptibility of microbial cultures using machine learningen
dc.typeTextcs
dc.type.driverbachelorThesisen
dc.type.evskpbakalářská prácecs
dcterms.dateAccepted2024-06-10cs
dcterms.modified2024-06-12-10:32:48cs
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
sync.item.dbid159113en
sync.item.dbtypeZPen
sync.item.insts2025.03.17 17:17:51en
sync.item.modts2025.01.17 09:43:02en
thesis.disciplinebez specializacecs
thesis.grantorVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav telekomunikacícs
thesis.levelBakalářskýcs
thesis.nameBc.cs
Files
Original bundle
Now showing 1 - 3 of 3
Thumbnail Image
Name:
final-thesis.pdf
Size:
14.19 MB
Format:
Adobe Portable Document Format
Description:
file final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
51.94 KB
Format:
Unknown data format
Description:
file appendix-1.zip
Download
Thumbnail Image
Name:
review_159113.html
Size:
5.53 KB
Format:
Hypertext Markup Language
Description:
file review_159113.html
Download
Collections
2024