ČVUT DSpace
  • Search DSpace
  • Čeština
  • Login
  • Čeština
  • Čeština
View Item 
  •   ČVUT DSpace
  • Czech Technical University in Prague
  • Faculty of Information Technology
  • Departments
  • Department of Applied Mathematics
  • Bachelor Theses - 18105
  • View Item
  • Czech Technical University in Prague
  • Faculty of Information Technology
  • Departments
  • Department of Applied Mathematics
  • Bachelor Theses - 18105
  • View Item
JavaScript is disabled for your browser. Some features of this site may not work without it.

Předzpracování rentgenových snímků pro detekci COVID-19 pomocí neurónových sítí

Preprocessing of X-Ray images for COVID-19 detection Neural Networks

Type of document
bakalářská práce
bachelor thesis
Author
Tomáš Kořistka
Supervisor
Žitný Jakub
Opponent
Dedecius Kamil
Field of study
Znalostní inženýrství
Study program
Informatika 2009
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 věnuje nedostatečnému množství dat v doméně zobrazovacích metod v lékařství ve vztahu k viru covid-19, které má za dopad nedostatečně kvalitní klasifikaci přítomnosti tohoto onemocnění. Hlavním cílem je generování a porovnávání rentgenových snímků lidských plic. Práce zkoumá způsoby jak vyřešit problém malého množství snímků pozitivních případů patologie covid-19 použitím , vyhodnocováním a porovnáváním rozličných generativních modelů za cílem vytváření věrohodných obrázků vysoké kvality použitelných ve strojovém učení. Práce srovnává modely z rodiny generativních adversariálních sítí a vyhodnocuje vliv použití takto vygenerovaných obrázků na trénovaní klasifikačních neuronových sítí. Práce si dává za cíl posílit existující klasifikační algoritmy k lepšímu určování infekce virem covid-19 na základě rentgenových snímků plic.
 
This thesis deals with the insufficient volume of data in the domain of medical imaging related to the covid-19 virus, which hinders proper classification of this severe illness. The main focus is generation and comparison of X-ray images of human lungs. It explores ways to tackle the issue of small number of positive cases in the pathology of covid-19, by utilising, evaluating and comparing different generative models to increase the number of high quality and credible images usable in machine learning algorithms. It compares models of the generative adversarial network family and assesses the impact of using images generated in this manner on the training of classification neural networks. The thesis is aiming to bolster existing classification algorithms to perform better in determining covid-19 infection based on lung X-ray images.
 
URI
http://hdl.handle.net/10467/96781
View/Open
PLNY_TEXT (3.362Mb)
POSUDEK (50.89Kb)
POSUDEK (42.17Kb)
Collections
  • Bakalářské práce - 18105 [182]

České vysoké učení technické v Praze copyright © 2016 

DSpace software copyright © 2002-2016  Duraspace

Contact Us | Send Feedback
Theme by 
@mire NV
 

 

Useful links

CTU in PragueCentral library of CTUAbout CTU Digital LibraryResourcesStudy and library skillsResearch support

Browse

All of DSpaceCommunities & CollectionsBy Issue DateAuthorsTitlesSubjectsThis CollectionBy Issue DateAuthorsTitlesSubjects

My Account

Login

České vysoké učení technické v Praze copyright © 2016 

DSpace software copyright © 2002-2016  Duraspace

Contact Us | Send Feedback
Theme by 
@mire NV