Předzpracování rentgenových snímků pro detekci COVID-19 pomocí neurónových sítí

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.