Práce se zabývá využitím metod přenosu učení za účelem zefektivnění segmentace obrazu pomocí modelu U-Net. Cílem segmentace jsou zuby na panoramatických dentálních rentgenových snímcích. V teoretické části je popsána problematika strojového učení, neuronových sítí a přenosu učení. V praktické části je charakterizována architektura modelu U-Net a Siamských sítí. Následně je porovnán U-Net model učený bez předchozí znalosti a modifikovaný U-Net s využitím přenosu učení z jiné úlohy. V poslední části je porovnána přesnost segmentace upraveného a neupraveného modelu.
Anotace v angličtině
The thesis explores the potential of utilizing transfer learning methods to enhance image segmen tation using the U-Net model. The goal of the segmentation is to identify teeth in panoramic dental X-ray images. The theoretical part describes the issues of machine learning, neural networks,
and transfer learning. The practical part characterizes the architecture of the U-Net model and Siamese networks. Subsequently, a comparison is made between a U-Net model trained without prior knowledge and a modified U-Net using transfer learning from a different task. In the final part, the accuracy of segmentation of the modified and unmodified models is compared.
Klíčová slova
neuronová síť, segmentace obrazu, přenos učení, U-Net, Siamské sítě
Klíčová slova v angličtině
neural network, transfer learning, image segmentation, U-net, Siamese Nets
Rozsah průvodní práce
79
Jazyk
CZ
Anotace
Práce se zabývá využitím metod přenosu učení za účelem zefektivnění segmentace obrazu pomocí modelu U-Net. Cílem segmentace jsou zuby na panoramatických dentálních rentgenových snímcích. V teoretické části je popsána problematika strojového učení, neuronových sítí a přenosu učení. V praktické části je charakterizována architektura modelu U-Net a Siamských sítí. Následně je porovnán U-Net model učený bez předchozí znalosti a modifikovaný U-Net s využitím přenosu učení z jiné úlohy. V poslední části je porovnána přesnost segmentace upraveného a neupraveného modelu.
Anotace v angličtině
The thesis explores the potential of utilizing transfer learning methods to enhance image segmen tation using the U-Net model. The goal of the segmentation is to identify teeth in panoramic dental X-ray images. The theoretical part describes the issues of machine learning, neural networks,
and transfer learning. The practical part characterizes the architecture of the U-Net model and Siamese networks. Subsequently, a comparison is made between a U-Net model trained without prior knowledge and a modified U-Net using transfer learning from a different task. In the final part, the accuracy of segmentation of the modified and unmodified models is compared.
Klíčová slova
neuronová síť, segmentace obrazu, přenos učení, U-Net, Siamské sítě
Klíčová slova v angličtině
neural network, transfer learning, image segmentation, U-net, Siamese Nets
Zásady pro vypracování
Segmentace rentgenových snímků představuje významnou výzvu v oblasti medicínského zpracování obrazu. Jedním z hlavních problémů je potřeba získání rozsáhlé a precizně anotované datové sady, což je proces často spojený s vysokými časovými a finančními náklady. Tato práce se zaměřuje na překonání těchto omezení prostřednictvím využití metod transfer learning, konkrétně přenosu znalostí z modelů, které byly předem naučeny na podobných nebo neanotovaných datech.
Hlavním cílem práce je provést detailní analýzu efektivity a přesnosti segmentace panoramatických dentálních rentgenových snímků s použitím neuronových sítí typu U-Net, které byly adaptovány prostřednictvím transfer learning. Specifickým příkladem použitého modelu může být siamská neuronová síť. Tato práce poskytne srovnání výkonu modelů U-Net, které byly předučeny s využitím transfer learning, oproti modelům, které byly učeny bez předchozích znalostí. Výsledný model nebo postup lze využít pro vytvoření nástroje, který pomůže odborníkům v lékařství při čtení rentgenových snímků.
Osnova:
Specifikace a implementace modelu siamských neuronových sítí
Experiment a výsledky
Učení modelů neuronových sítí
Vyhodnocení dosažených výsledků
\newpage
Zásady pro vypracování
Segmentace rentgenových snímků představuje významnou výzvu v oblasti medicínského zpracování obrazu. Jedním z hlavních problémů je potřeba získání rozsáhlé a precizně anotované datové sady, což je proces často spojený s vysokými časovými a finančními náklady. Tato práce se zaměřuje na překonání těchto omezení prostřednictvím využití metod transfer learning, konkrétně přenosu znalostí z modelů, které byly předem naučeny na podobných nebo neanotovaných datech.
Hlavním cílem práce je provést detailní analýzu efektivity a přesnosti segmentace panoramatických dentálních rentgenových snímků s použitím neuronových sítí typu U-Net, které byly adaptovány prostřednictvím transfer learning. Specifickým příkladem použitého modelu může být siamská neuronová síť. Tato práce poskytne srovnání výkonu modelů U-Net, které byly předučeny s využitím transfer learning, oproti modelům, které byly učeny bez předchozích znalostí. Výsledný model nebo postup lze využít pro vytvoření nástroje, který pomůže odborníkům v lékařství při čtení rentgenových snímků.
Osnova: