Segmentace objemových radiologických snímků pomocí hlubokých neuronových sítí

Matyáš Turek

Deep Neural Network-Based Segmentation of Volumetric Radiological Images

Type of document

diplomová práce
master thesis

Author

Matyáš Turek

Supervisor

Benešová Vanda

Opponent

Surynek Pavel

Field of study

Znalostní inženýrství

Study program

Informatika

Institutions assigning rank

katedra aplikované matematiky

Rights

A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.html
Vysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html

Metadata

Show full item record

Abstract

Tato práce se zabývá segmentací lézí hypoxicko-ischemické encefalopatie u novorozenců v MRI snímcích s využitím hlubokých neurnonových sítí. Práce prozkoumává a implementuje různé přístupy, jako například super resolution a syntéza dat k dosažení přesnější segmentace na datasetu BONBID-HIE. V rámci práce jsme implementovali funkční pipeline pro vytvoření super resolution 3D MRI snímků, pipeline pro vytvoření syntetických lézí, které se dále vkládali do snímků z datasetu a také segmentační pipeline. Výsledky byly diskutovány a porovnány.

This thesis deals with lesion segmentation of hypoxic-ischemic encephalopathy in neonatal MRI images using deep neural networks. The work explores and implements various approaches such as super resolution and data synthesis to achieve more accurate segmentation on the BONBID-HIE dataset. As part of this work, we implemented a functional pipeline for creating super resolution 3D MRI images, a pipeline for creating synthetic lesions that were further inpainted into the dataset images, and a segmentation pipeline. The results were discussed and compared.