Full metadata record
DC poleHodnotaJazyk
dc.contributor.advisorRyba Tomáš, Ing.
dc.contributor.authorBulka, Miroslav
dc.contributor.refereeGruber Ivan, Ing.
dc.date.accepted2018-6-19
dc.date.accessioned2019-03-15T10:14:08Z-
dc.date.available2017-10-2
dc.date.available2019-03-15T10:14:08Z-
dc.date.issued2018
dc.date.submitted2018-5-18
dc.identifier75968
dc.identifier.urihttp://hdl.handle.net/11025/31765
dc.description.abstractCílem této práce je využít získaných znalostí z oblasti počítačového vidění a strojového učení k navržení metody pro automatickou lokalizaci jaterních lézí v CT snímcích. V této práci jsou navrženy dva přístupy jako řešení tohoto problému. První je založen na generování ohraničujících obdélníků, v nichž se nacházejí léze, s využitím HoG extraktoru a klasifikátoru SVM. Druhý přístup využívá konvoluční neuronové sítě pro sémantickou segmentaci jaterních lézí. Pro oba přístupy je vybrán nejlepší vyhodnocený model a nakonec jsou oba nejlepší modely mezi sebou porovnány. Na závěr jsou zmíněna dvě možná vylepšení do budoucna a uveden jeden příklad využití v praxi.cs
dc.format78 s.cs
dc.format.mimetypeapplication/pdf
dc.language.isocscs
dc.publisherZápadočeská univerzita v Plznics
dc.rightsPlný text práce je přístupný bez omezení.cs
dc.subjecthistogram orientovaných gradientůcs
dc.subjectklasifikátor s podpůrnými vektorycs
dc.subjectkonvoluční neuronové sítěcs
dc.subjectdekonvoluční síťcs
dc.subjectsémantická segmentace.cs
dc.titleLokalizace jaterních lézí v CT snímcíchcs
dc.title.alternativeLocalization of liver lesions in CT imagesen
dc.typediplomová prácecs
dc.thesis.degree-nameIng.cs
dc.thesis.degree-levelNavazujícícs
dc.thesis.degree-grantorZápadočeská univerzita v Plzni. Fakulta aplikovaných vědcs
dc.thesis.degree-programAplikované vědy a informatikacs
dc.description.resultObhájenocs
dc.rights.accessopenAccessen
dc.description.abstract-translatedThe aim of this work is to use acquired knowledge of computer vision and machine learning to design a method for automatic localization of liver lesions in CT images. In this work two different approaches are proposed as a solution of this issue. The first one is based on generating of bounding boxes in which the lesions are present using HoG as a feature extractor and SVM as a classifier. The second approach uses convolutional neural networks for semantic segmentation of liver lesions. For both approaches the model with the best evaluated configuration is selected. Finally, both best models are compared with each other. At the end, two possible improvements to the future and one example of use in practice are mentioned.en
dc.subject.translatedhistogram of oriented gradientsen
dc.subject.translatedsupport vector machinesen
dc.subject.translatedconvolutional neural networksen
dc.subject.translateddeconvolution networken
dc.subject.translatedsemantic segmentation.en
Vyskytuje se v kolekcích:Diplomové práce / Theses (KKY)

Soubory připojené k záznamu:
Soubor Popis VelikostFormát 
Bulka - Diplomova prace.pdfPlný text práce9,33 MBAdobe PDFZobrazit/otevřít
bulka-v.pdfPosudek vedoucího práce630,15 kBAdobe PDFZobrazit/otevřít
bulka-o.pdfPosudek oponenta práce561,87 kBAdobe PDFZobrazit/otevřít
bulka-p.pdfPrůběh obhajoby práce363,43 kBAdobe PDFZobrazit/otevřít
Zobrazit minimální záznam Zobrazit statistiky


Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam: http://hdl.handle.net/11025/31765

Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.

hledání
navigace
  1. DSpace at University of West Bohemia
  2. Vysokoškolské kvalifikační práce / Theses
  3. Fakulta aplikovaných věd / Faculty of Applied Sciences
  4. Katedra kybernetiky / Department of Cybernetics
  5. Diplomové práce / Theses (KKY)