Detekce poruch v CT snímcích pomocí neuronových sítí
Detection of defects in CT images using Neural Networks
Typ dokumentu
bakalářská prácebachelor thesis
Autor
Petra Čurdová
Vedoucí práce
Žitný Jakub
Oponent práce
Surynek Pavel
Studijní obor
Znalostní inženýrstvíStudijní program
Informatika 2009Instituce přidělující hodnost
katedra aplikované matematikyPráva
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.htmlVysokoškolská 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 záznamAbstrakt
Tato práce se zabývá výzkumem metod používaných pro detekci a klasifikaci poruch v CT snímcích za použití neuronových sítí. Na základně těchto metod pak popisuje implementaci vlastního řešení, které funguje pro rozpoznávání vnitrolebečního krvácení na CT snímcích mozku. Toto řešení je postaveno na konvolučních neuronových sítích a důraz je kladen především na správné předzpracování vstupních dat a výběr vhodné architektury a jejích hyperparametrů. Výsledný model dosáhl přesnosti, AUC, senzitivity a specificity po řadě 0.963, 0.967, 0.840 a 0.970. Tento výsledek je dobrým základem pro další výzkum a je možné na něj navázat dalšími experimenty. This thesis focuses on the research of techniques used for the detection and classification of defects on the CT images using neural networks. Based on these methods, the own implementation, which works for intracranial hemorrhage detection on CT images of the brain, is described. This solution is based on convolutional neural networks, and the emphasis is primarily on the data preprocessing and the selection of the appropriate architecture and its hyperparameters. The final model achieved accuracy, AUC, sensitivity, and specificity of 0.963, 0.967, 0.840, and 0.970, respectively. This result is a good basis for further research and can be additionally improved by other experiments.
Kolekce
- Bakalářské práce - 18105 [295]