Hlavním cílem této diplomové práce je ohodnotit vliv předzpracování obrazu a augmentace dat na segmentaci rentgenových snímků. Čtenář je nejdříve seznámen se standardními algoritmy pro vylepšení obrazu a redukci šumu. Dále jsou v práci představeny neuronové sítě a základní principy fungování společně s implementací vybraných architektur pro redukci šumu. V neposlední řadě jsou popsané metody aplikovány na rentgenové snímky dvou datových sad a je měřena výkonnost a efektivita modelů pro segmentaci obrazu v závislosti na předchozím zpracování dat.
Anotace v angličtině
The main objective of this thesis is to measure the impact of image preprocessing and data augmentation on the segmentation of X-ray images. The reader is first introduced to standard algorithms for image enhancement and noise reduction. Furthermore, neural networks and the basic principles of their operation are presented, along with the implementation of selected architectures for noise reduction. Finally, the described methods are applied to X-ray images from two datasets, and the performance and efficiency of the image segmentation models are measured depending on the prior data processing.
Hlavním cílem této diplomové práce je ohodnotit vliv předzpracování obrazu a augmentace dat na segmentaci rentgenových snímků. Čtenář je nejdříve seznámen se standardními algoritmy pro vylepšení obrazu a redukci šumu. Dále jsou v práci představeny neuronové sítě a základní principy fungování společně s implementací vybraných architektur pro redukci šumu. V neposlední řadě jsou popsané metody aplikovány na rentgenové snímky dvou datových sad a je měřena výkonnost a efektivita modelů pro segmentaci obrazu v závislosti na předchozím zpracování dat.
Anotace v angličtině
The main objective of this thesis is to measure the impact of image preprocessing and data augmentation on the segmentation of X-ray images. The reader is first introduced to standard algorithms for image enhancement and noise reduction. Furthermore, neural networks and the basic principles of their operation are presented, along with the implementation of selected architectures for noise reduction. Finally, the described methods are applied to X-ray images from two datasets, and the performance and efficiency of the image segmentation models are measured depending on the prior data processing.
Segmentace obrazu pomocí neuronových sítí silně závisí na charakteru obrazových dat. Z toho důvodu je nutné obrazová data předzpracovat. Cílem práce je proto posoudit vliv předzpracování rentgenových snímků a případné augmentace dat s ohledem na přesnost segmentace pomocí neuronové sítě U-Net. Různě předzpracované či augmentované rentgenové snímky budou využity jako vstup učení sítě U-Net a následně bude porovnána dosažená přesnost segmentace. Práce se zaměří na praktickou aplikaci běžně používaných metod předzpracování obrazu, ale též metod moderních, včetně nově navržených specializovaných modelů strojového učení.
Osnova:
Teoretická část
přehled metod předzpracování obrazu (vylepšení obrazu, redukce šumu, prahování aj.)
vylepšení kvality rentgenových snímků pomocí neuronových sítí
obecné postupy augmentace dat
Praktická část
popis datasetu
návrh metod vhodných pro předzpracování rentgenových snímků
návrh a implementace specializovaných modelů neuronových sítí
aplikace implementovaných metod a měření vlivu předzpracování na efektivitu učení segmentačních modelů
zhodnocení výsledků
Zásady pro vypracování
Segmentace obrazu pomocí neuronových sítí silně závisí na charakteru obrazových dat. Z toho důvodu je nutné obrazová data předzpracovat. Cílem práce je proto posoudit vliv předzpracování rentgenových snímků a případné augmentace dat s ohledem na přesnost segmentace pomocí neuronové sítě U-Net. Různě předzpracované či augmentované rentgenové snímky budou využity jako vstup učení sítě U-Net a následně bude porovnána dosažená přesnost segmentace. Práce se zaměří na praktickou aplikaci běžně používaných metod předzpracování obrazu, ale též metod moderních, včetně nově navržených specializovaných modelů strojového učení.
Osnova:
Teoretická část
přehled metod předzpracování obrazu (vylepšení obrazu, redukce šumu, prahování aj.)
vylepšení kvality rentgenových snímků pomocí neuronových sítí
obecné postupy augmentace dat
Praktická část
popis datasetu
návrh metod vhodných pro předzpracování rentgenových snímků
návrh a implementace specializovaných modelů neuronových sítí
aplikace implementovaných metod a měření vlivu předzpracování na efektivitu učení segmentačních modelů
zhodnocení výsledků
Seznam doporučené literatury
CHAKI, Jyotismita a DEY, Nilanjan. A Beginner’s Guide to Image Preprocessing Techniques. Boca Raton: CRC Press, 2018. ISBN 978-0429441134.
MUNADI, Khairul; MUCHTAR, Kahlil; MAULINA, Novi a PRADHAN, Biswajeet. Image Enhancement for Tuberculosis Detection Using Deep Learning. Online. IEEE Access. 2020, roč. 8, s. 217897-217907. ISSN 2169-3536. Dostupné z: https://doi.org/10.1109/ACCESS.2020.3041867. [cit. 2023-11-08]
SUN, Yuewen; LI, Litao; CONG, Peng; WANG, Zhentao a GUO, Xiaojing. Enhancement of digital radiography image quality using a convolutional neural network. Online. Journal of X-Ray Science and Technology. 2017, roč. 25, č. 6, s. 857-868. ISSN 08953996. Dostupné z: https://doi.org/10.3233/XST-17310. [cit. 2023-11-08]
Seznam doporučené literatury
CHAKI, Jyotismita a DEY, Nilanjan. A Beginner’s Guide to Image Preprocessing Techniques. Boca Raton: CRC Press, 2018. ISBN 978-0429441134.
MUNADI, Khairul; MUCHTAR, Kahlil; MAULINA, Novi a PRADHAN, Biswajeet. Image Enhancement for Tuberculosis Detection Using Deep Learning. Online. IEEE Access. 2020, roč. 8, s. 217897-217907. ISSN 2169-3536. Dostupné z: https://doi.org/10.1109/ACCESS.2020.3041867. [cit. 2023-11-08]
SUN, Yuewen; LI, Litao; CONG, Peng; WANG, Zhentao a GUO, Xiaojing. Enhancement of digital radiography image quality using a convolutional neural network. Online. Journal of X-Ray Science and Technology. 2017, roč. 25, č. 6, s. 857-868. ISSN 08953996. Dostupné z: https://doi.org/10.3233/XST-17310. [cit. 2023-11-08]