ČVUT DSpace
  • Prohledat DSpace
  • English
  • Přihlásit se
  • English
  • English
Zobrazit záznam 
  •   ČVUT DSpace
  • České vysoké učení technické v Praze
  • Fakulta elektrotechnická
  • Disertační práce - 13000
  • Zobrazit záznam
  • České vysoké učení technické v Praze
  • Fakulta elektrotechnická
  • Disertační práce - 13000
  • Zobrazit záznam
JavaScript is disabled for your browser. Some features of this site may not work without it.

Aplikace umělých neuronových sítí v oftalmologii

Artificial Neural Network Application in Ophthalmology

Typ dokumentu
disertační práce
doctoral thesis
Autor
Martin Šramka
Vedoucí práce
Tučková Jana
Oponent práce
Psutka Josef
Studijní obor
Teoretická elektrotechnika
Studijní program
Elektrotechnika a informatika
Instituce přidělující hodnost
katedra teorie obvodů



Práva
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
Zobrazit celý záznam
Abstrakt
Cílem této disertační práce je zhodnotit potenciál algoritmů strojového učení pro zpřesnění výpočtů optické mohutnosti nitrooční čočky v klinickém provozu. Aktuální metody výpočtu optické mohutnosti nitrooční čočky nabízejí omezenou přesnost a zejména u očí s neobvyklými biometrickými parametry může přesnost ještě klesnout. V případě nesprávně vypočtené nitrooční čočky při kataraktovém nebo refrakčním chirurgickém zákroku existuje riziko nutnosti opětovné operace nebo další refrakční korekce. To může potenciálně vyvolat komplikace a nepohodlí pro pacienta. Pomocí procesu vytěžování dat (data mining) z database informačního systému Oční kliniky Gemini byl získán soubor dat obsahující informace o 2194 očích. Tento soubor dat byl optimalizován a rozdělen do “Selection setu” (používaného při návrhu modelů a tréninku) a “Verification setu” (použitého při hodnocení). Byla vyhodnocena sada středních chyb předpovědi a distribuce předpovězené refrakční chyby u všech modelů a pro skutečné klinické výsledky. V porovnání s metodou, která se v současné době používá v klinickém prostředí, většina modelů strojového učení dosáhla výrazně lepších výsledků ve výpočtech nitrooční čočky, a proto existuje silný potenciál ke zlepšení klinických refrakčních výsledků katarakty. Toto tvrzení je podpořeno prospektivními výsledky dosaženými pomocí modelu CS2_radbas, který byl vybrán pro prospektivní testování. Ve srovnání s klinickými výsledky a přesností kalkulací prezentovanou v nejmodernější literatuře došlo k rapidnímu zlepšení ve všech sledovaných kategoriích chyb.
 
The aim of this Ph.D. thesis is to evaluate the potential of machine learning algorithms as an intraocular lens power calculation improvement for clinical workflow. Current intraocular lens power calculation methods offer limited accuracy, and in eyes with an unusual ocular dimension, the accuracy may decrease. In the case where the power of the intraocular lens used in cataract or refractive lens exchange surgery is improperly calculated, there is a risk of re-operation or further refractive correction. This may potentially induce complications and discomfort to the patient. A dataset containing information about 2194 eyes was obtained using a data mining process from the Electronic Health Record system database of the Gemini Eye Clinic. The dataset was optimized and split into a Selection set (used in the design of models and training), and a Verification set (used in the evaluation). A set of prediction errors and a distribution of predicted refractive errors were evaluated for all models and clinical results. In retrospective comparison to the method currently used in a clinical setting, most of the machine learning models have achieved significantly better results in intraocular lens calculations, and therefore, there is a strong potential for improved clinical cataract refractive outcomes. This statement is supported by the prospective results achieved using the CS2_radbas model which was selected for prospective evaluation. Rapid improvement occurred in all monitored error categories when compared to the clinical results and to the accuracy presented in the state-of-the-art literature.
 
URI
http://hdl.handle.net/10467/84667
Zobrazit/otevřít
PLNY_TEXT (3.019Mb)
Kolekce
  • Disertační práce - 13000 [748]

České vysoké učení technické v Praze copyright © 2016 

DSpace software copyright © 2002-2016  Duraspace

Kontaktujte nás | Vyjádření názoru
Theme by 
@mire NV
 

 

Užitečné odkazy

ČVUT v PrazeÚstřední knihovna ČVUTO digitální knihovně ČVUTInformační zdrojePodpora studiaPodpora publikování

Procházet

Vše v DSpaceKomunity a kolekceDle data publikováníAutořiNázvyKlíčová slovaTato kolekceDle data publikováníAutořiNázvyKlíčová slova

Můj účet

Přihlásit se

České vysoké učení technické v Praze copyright © 2016 

DSpace software copyright © 2002-2016  Duraspace

Kontaktujte nás | Vyjádření názoru
Theme by 
@mire NV