| Název: | Navigace ve snímcích břišní dutiny z výpočetní tomografie |
| Další názvy: | Navigation in the abdominal cavity from computed tomography |
| Autoři: | Javorek, Václav |
| Vedoucí práce/školitel: | Jiřík Miroslav, Ing. Ph.D. |
| Oponent: | Gruber Ivan, Ing. Ph.D. |
| Datum vydání: | 2021 |
| Nakladatel: | Západočeská univerzita v Plzni |
| Typ dokumentu: | bakalářská práce |
| URI: | http://hdl.handle.net/11025/44976 |
| Klíčová slova: | neuronové sítě;konvoluční neuronové sítě;u-net;segmentace;python;tensorflow;keras;výpočetní tomografie;zpracování obrazu;počítačové vidění;umělá inteligence;anatomie;medicína;játra;ledviny;slezina;břišní dutina |
| Klíčová slova v dalším jazyce: | neural networks;convolutional neural networks;u-net;segmentation;python;tensorflow;keras;computed tomography;image processing;computer vision;artificial intelligence;anatomy;medicine;liver;kidney;spleen;abdomen |
| Abstrakt: | Metody počítačového vidění jsou používány v medicíně a radiologii už řadu let. Pro segmentaci obrazových dat z výpočetní tomografie byly vyvinuty algoritmy, jejichž cílem je zautomatizovat zpracování dat a usnadnit tak práci radiologům a lékařům. Tato práce na předchozí výzkum navazuje a uplatňuje moderní přístup konvolučních neuronových sítí. S využitím kvalitního normalizovaného datasetu byly natrénovány modely, které se snaží vyrovnat nebo vylepšit výsledky klasických metod počítačového vidění, jako je např. segmentace orgánů břišní dutiny. Vytvořené modely mají specifickou architekturu U-Net - plně konvoluční neuronové sítě. Jejich výstupem jsou znaménkované vzdálenostní mapy, udávající pro každý bod CT řezu jeho vzdálenost k segmentované struktuře. Jako základ pro trénování (ground truth) byly použity robustní segmentační metody knihovny bodynavigation. V neposlední řadě je cílem této práce segmentaci výrazně urychlit. |
| Abstrakt v dalším jazyce: | Methods of computer vision are being used in medicine and radiology for quite some time. Computed tomography image data segmentation programs have been developed to automate data processing and make the work of radiologists and doctors easier. This thesis builds on previous research and applies a modern convolutional neural network approach. Using a high-quality normalized dataset, models were trained that attempt to match or improve the results of classical computer vision methods such as abdominal organ segmentation. The models developed have a specific U-Net architecture - a fully convolutional neural network. Their output is a signed distance field indicating for each point of the CT slice its distance to the segmented structure. The robust segmentation methods of the bodynavigation library were used as the basis for training (ground truth). Last but not least, the aim of this work is to speed up the segmentation significantly. |
| Práva: | Plný text práce je přístupný bez omezení. |
| Vyskytuje se v kolekcích: | Bakalářské práce / Bachelor´s works (KKY) |
Soubory připojené k záznamu:
| Soubor | Popis | Velikost | Formát | |
|---|---|---|---|---|
| BP_Javorek.pdf | Plný text práce | 28,23 MB | Adobe PDF | Zobrazit/otevřít |
| javorek-v.pdf | Posudek vedoucího práce | 310,52 kB | Adobe PDF | Zobrazit/otevřít |
| javorek-o.pdf | Posudek oponenta práce | 286,73 kB | Adobe PDF | Zobrazit/otevřít |
| javorek-p.pdf | Průběh obhajoby práce | 139,81 kB | Adobe PDF | Zobrazit/otevřít |
Použijte tento identifikátor k citaci nebo jako odkaz na tento záznam:
http://hdl.handle.net/11025/44976Všechny záznamy v DSpace jsou chráněny autorskými právy, všechna práva vyhrazena.