Tato bakalářská práce se zabývá možností aplikace hlubokých neuronových sítí v medicinských úlohách, konkrétně úlohou segmentace parenchymatózních orgánů břišní dutiny prasete domácího. Pro realizaci jsme využili framework detectron2 založenou na architektuře Mask R-CNN. V práci jsou popsány technologie používané pro strojové zpracování obrazu. Důležitou částí práce je popis konvolučních neuronových sítí určených pro zpracování obrazu. Hlavní část práce se věnuje popisu Mask R-CNN a detectron2, a to prostřednictvím analýzy výsledku trénování této sítě na medicínských datech. Na závěr je uvedeno rozhodnutí, je-li síť vhodná pro využití v praxi.
Anotace v angličtině
This work deals with the possibility of applying deep neural networks in medical tasks, especially in the segmentation of parenchymatous organs of the abdominal cavity of the domestic pig. For this, we used "detectron2", which is based on "Mask R-CNN". In this work we described technology, which is used for digital image processing. Important part of this work is description of Convolutional Neural Networks and their usage for working with digital images. Main part describes "Mask R-CNN", "detectron2" and analyzes results of our training on medical dataset. In conclusion we gave a decision about the network (whether it is useful for practice).
Tato bakalářská práce se zabývá možností aplikace hlubokých neuronových sítí v medicinských úlohách, konkrétně úlohou segmentace parenchymatózních orgánů břišní dutiny prasete domácího. Pro realizaci jsme využili framework detectron2 založenou na architektuře Mask R-CNN. V práci jsou popsány technologie používané pro strojové zpracování obrazu. Důležitou částí práce je popis konvolučních neuronových sítí určených pro zpracování obrazu. Hlavní část práce se věnuje popisu Mask R-CNN a detectron2, a to prostřednictvím analýzy výsledku trénování této sítě na medicínských datech. Na závěr je uvedeno rozhodnutí, je-li síť vhodná pro využití v praxi.
Anotace v angličtině
This work deals with the possibility of applying deep neural networks in medical tasks, especially in the segmentation of parenchymatous organs of the abdominal cavity of the domestic pig. For this, we used "detectron2", which is based on "Mask R-CNN". In this work we described technology, which is used for digital image processing. Important part of this work is description of Convolutional Neural Networks and their usage for working with digital images. Main part describes "Mask R-CNN", "detectron2" and analyzes results of our training on medical dataset. In conclusion we gave a decision about the network (whether it is useful for practice).
Seznamte se s metodami počítačového vidění, které jsou vhodné pro segmentace objemových dat z výpočetní tomografie. Věnujte se i metodám, které využívají neuronové sítě.
Vytvořte dataset z CT snímků prasete domácího s anotacemi parenchymatózních orgánů.
Navrhněte metodu pro segmentaci parenchymatózních orgánů v břišní dutině prasete domácího.
Vhodným způsobem vyhodnoťte navrženou metodu pomocí experimentu na vytvořeném datasetu.
Zásady pro vypracování
Seznamte se s metodami počítačového vidění, které jsou vhodné pro segmentace objemových dat z výpočetní tomografie. Věnujte se i metodám, které využívají neuronové sítě.
Vytvořte dataset z CT snímků prasete domácího s anotacemi parenchymatózních orgánů.
Navrhněte metodu pro segmentaci parenchymatózních orgánů v břišní dutině prasete domácího.
Vhodným způsobem vyhodnoťte navrženou metodu pomocí experimentu na vytvořeném datasetu.
Seznam doporučené literatury
Moghbel, M., Mashohor, S., Mahmud, R., & Bin, M. I. (2018). Review of liver segmentation and computer assisted detection / diagnosis methods in computed tomography. Artificial Intelligence Review, 50(4), 497–537. https://doi.org/10.1007/s10462-017-9550-x
Chlebus, G., Schenk, A., Moltz, J. H., Ginneken, B. Van, Hahn, H. K., & Meine, H. (2018). Automatic liver tumor segmentation in CT with fully convolutional neural networks and object-based postprocessing. Scientific Reports, (July), 1–7. https://doi.org/10.1038/s41598-018-33860-7
Oliveira, D. A., Feitosa, R. Q., & Correia, M. M. (2011). Segmentation of liver, its vessels and lesions from CT images for surgical planning. BioMedical Engineering OnLine, 10(1), 30. https://doi.org/10.1186/1475-925X-10-30
Čihák, R. (2002). Anatomie 2. Praha: Grada Publishing.
Nekula, J., Heřman, M., Vomáčka, J., & Köcher, M. (2005). Radiologie. Univerzita Palackého .
Šonka, M., Hlaváč, V., & Boyle, R. (2014). Image Processing, Analysis, and Machine Vision Second Edition. Thomson-Engineering.
Zhang, A., Lipton, Z. C., Li, M., & Smola, A. J. (2021). Dive into Deep Learning.
Seznam doporučené literatury
Moghbel, M., Mashohor, S., Mahmud, R., & Bin, M. I. (2018). Review of liver segmentation and computer assisted detection / diagnosis methods in computed tomography. Artificial Intelligence Review, 50(4), 497–537. https://doi.org/10.1007/s10462-017-9550-x
Chlebus, G., Schenk, A., Moltz, J. H., Ginneken, B. Van, Hahn, H. K., & Meine, H. (2018). Automatic liver tumor segmentation in CT with fully convolutional neural networks and object-based postprocessing. Scientific Reports, (July), 1–7. https://doi.org/10.1038/s41598-018-33860-7
Oliveira, D. A., Feitosa, R. Q., & Correia, M. M. (2011). Segmentation of liver, its vessels and lesions from CT images for surgical planning. BioMedical Engineering OnLine, 10(1), 30. https://doi.org/10.1186/1475-925X-10-30
Čihák, R. (2002). Anatomie 2. Praha: Grada Publishing.
Nekula, J., Heřman, M., Vomáčka, J., & Köcher, M. (2005). Radiologie. Univerzita Palackého .
Šonka, M., Hlaváč, V., & Boyle, R. (2014). Image Processing, Analysis, and Machine Vision Second Edition. Thomson-Engineering.
Zhang, A., Lipton, Z. C., Li, M., & Smola, A. J. (2021). Dive into Deep Learning.
Přílohy volně vložené
-
Přílohy vázané v práci
ilustrace, grafy, tabulky
Převzato z knihovny
Ano
Plný text práce
Hodnocení z obhajoby práce
Velmi dobře
Přílohy
Posudek(y) oponenta
Hodnocení vedoucího
Záznam průběhu obhajoby
Využití hlubokých neuronových sítí pro segmentaci parenchymatózních orgánů břišní dutiny prasete domácího.
Detect 2.
Mask R-CNN.
U-NET.
Dataset - 14 pacientů.
Výsledky experimentu - vývoj ztrátové funkce.
Porovnání detectron2 a U-NET.
Výsledky.
Na jakých datech jsou spočteny hodnoty IoU uváděné v grafech?
Jak byly spočítány, jedná se o průměr přes vzorky?
Jak je možné řešit problém s velmi nevyváženým datasetem?
Jak by bylo možné zvětšit hloubku kontextu na vstupu sítě?
Kdo dělal anotaci dat?
Proč není stejný počet vstupů a výstupů u U-NET sítě na zobrazeném obrázku?