Lista przedmiotów z materiałami udostępnionymi dla studentów

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

Michał Żołdak

Program segmentacji obrazów rezonansu magnetycznego mózgu z użyciem algorytmów głębokiego uczenia


Computer program for brain MR image segmentation using deep learning algorithms


Opiekun pracy dyplomowej: prof. dr hab. inż. Andrzej Materka
Praca dyplomowa inżynierska obroniona 2020-09-10
Streszczenie pracy dyplomowej:
Segmentacja obrazów rezonansu magnetycznego mózgu jest złożonym i czasochłonnym zadaniem. Ręczna segmentacja uważana jest za najbardziej wiarygodną metodę, jednak inne podlegają ciągłemu rozwojowi dla zwiększenia efektywności tego procesu. W prezentowanej pracy przeanalizowano wykorzystanie algorytmów głębokiego uczenia do semantycznej segmentacji obrazów. Opracowany program komputerowy używa splotową sieć neuronową w architekturze U-Net. Wpływ parametrów sieci, jak szybkość uczenia i optymalizator, na jej wydajność, został poddany ewaluacji. Najlepsze wyniki uzyskano dla optymalizatora stochastycznego spadku gradientu i stosunkowo wysokich szybkości uczenia. Dla określenia dokładności segmentacji opracowano program komputerowy wyznaczający indeks Jaccarda. Otrzymane wyniki, wskazujące na dokładność sieci około 45%, dowodzą, że typ przetwarzanych obrazów ma znaczący wpływ na dokładność segmentacji. Na podstawie wyników sformułowano sugestie ulepszeń dla zwiększenia dokładności programu.
Abstract:
Segmentation of the brain MR images is a complex and time consuming task. While manual segmentation is found to be the most reliable method, others are constantly evolving to increase the process efficiency. In this paper using deep learning algorithms for semantic image segmentation purpose is examined. The convolutional neural network in the U-Net architecture is used in the developed computer program. Influence on the performance of the main neural network parameters, like learning rate and optimizer, are evaluated and the most promising results are obtained for stochastic gradient descent optimizer with relatively high learning rates. To determine segmentation accuracy a computer program designing the Jaccard index has been developed. Results received, indicating the network accuracy around 45%, show that the type of processed images significantly influences segmentation performance. Basing on obtained results, suggestions for the network accuracy improvements are included.