Lista przedmiotów z materiałami udostępnionymi dla studentów

Dla_studentów
  • Increase font size
  • Default font size
  • Decrease font size

Kacper Kubicki

Segmentacja obrazów tomografii komputerowej przegrody nosowej z wykorzystaniem algorytmów głębokiego uczenia


Segmentation of CT of nasal cavity with the use of Deep Learning algorithms


Opiekun pracy dyplomowej: prof. dr hab. inż. Andrzej Materka
Dodatkowy opiekun pracy dyplomowej: dr inż. Marek Kociński

Praca dyplomowa BSc - IFE obroniona 2018-10-18
Streszczenie pracy dyplomowej:
Pomimo obszernych badań, automatyczna segmentacja obrazów medycznych wciąż stanowi wyzwanie, głównie przez wzgląd na skomplikowanie anatomicznych struktur ciała ludzkiego. Jednakże niedawne postępy w dziedzinie uczenia maszynowego, związane z gwałtownym rozwojem metod opartych o sztuczne sieci neuronowe, przyczyniły się do znacznego polepszenia wyników w zastosowaniach związanych z rozpoznawaniem oraz segmentacją obrazów. Niniejsza praca prezentuje model perceptronu wielowarstwowego opracowany w celu segmentacji obrazów tomografii komputerowej. Model ten został wytrenowany oraz poddany ewaluacji przy użyciu obrazów tomografii komputerowej głowy. Otrzymane wyniki zostały zestawione z wynikami segmentacji z wykorzystaniem szerzej stosowanych metod segmentacji, tj. progowania, algorytmu centroidów, modelu mieszanin gaussowskich wykorzystującego algorytm Expectation Maximization (EM) oraz regresji logistycznej. Słowa kluczowe: sztuczne sieci neuronowe, uczenie głębokie, segmentacja obrazów, tomografia komputerowa, przegroda nosowa, perceptron wielowarstwowy.
Abstract:
Despite an extensive research, automatic segmentation of medical images is still a challenging task, mainly due to the anatomical complexity of a human body. However, a recent rapid development of the data driven approaches using deep neural networks led to a significant improvement of the performance in the field of semantic segmentation and image recognition. This study presents a deep, multilayer perceptron (MLP) model that can be used for the automatic semantic segmentation of medical images. Proposed model has been trained and evaluated on the computed tomography (CT) head images. The results of an evaluation have been compared with results obtained using other, more conventional segmentation methods, including thresholding, K-means algorithm, Gaussian Mixture model with Expectation Maximization algorithm and logistic regression. Keywords: artificial neural networks, deep learning, medical image segmentation, CT images, nasal cavity, multilayer perceptron.