Automatická segmentace biologických struktur v mikro-CT datech je stále výzvou, protože často objekt zájmu (v našem případě obličejová chrupavka) není charakterizovaný unikátním jasem či ostrými hranicemi. V posledních letech se konvoluční neuronové sítě (CNNs) staly mimořádně populárními v mnoha oblastech počítačového vidění. Konkrétně pro segmentaci biomedicínských obrazů je široce používaná architektura U-Net. Nicméně v případě mikro-CT dat vyvstává otázka, zda by nebylo výhodnější použít 3D CNN. Diplomová práce navrhla CNN architekturu založenou na síti V-Net včetně metodologie pro předzpracování a postprocessing dat. Základní architektura byla dále optimalizována pomocí pokročilých architektonických modifikací jako jsou pyramidální modul dilatovaných konvolucí (ASPP modul), škálovatelná exponenciálně-lineární jednotka (SELU aktivační funkce), víceúrovňová kontrola učení (multi-output supervision) či bloky s hustými propojeními (Dense blocks). Pro učení sítě byly použity moderní přístupy jako zahřívání kroku učení (learning rate warmup) či AdamW optimalizátor. I přes to, že 3D CNN v úloze segmentace obličejové chrupavky nepřekonala U-Net, optimalizace zvýšila medián Dice koeficientu z 69,74 % na 80,01 %. Používání těchto pokročilých architektonických modifikací v dalším výzkumu je proto vřele doporučováno, jelikož můžou být přidány do libovolné architektury typu U-Net a zároveň výrazně zlepšit výsledky.
| Identifer | oai:union.ndltd.org:nusl.cz/oai:invenio.nusl.cz:442503 |
| Date | January 2021 |
| Creators | Poláková, Veronika |
| Contributors | Vičar, Tomáš, Chmelík, Jiří |
| Publisher | Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií |
| Source Sets | Czech ETDs |
| Language | English |
| Detected Language | Unknown |
| Type | info:eu-repo/semantics/masterThesis |
| Rights | info:eu-repo/semantics/restrictedAccess |
Page generated in 0.0016 seconds