Ústav merania SAV, v. v. i.
Názov témy
Aplikácia algoritmov hĺbkového učenia na automatické spracovanie MRI dát
Program DŠ
Meracia technika
Meno školiteľa/-ky
RNDr. Andrej Krafčík, PhD.
Kontakt:
Prijímajúca škola
Fakulta elektrotechniky a informatiky STU
Stručná anotácia
Automatická identifikácia a segmentácia medicínskych dát, získaných hlavne použitím MRI, je v súčasnosti veľmi žiadaná. Dôvodom je ich veľké množstvo a objem, čo v konečnom dôsledku pri klasickom manuálnom spracovaní lekármi vyžaduje enormný čas. Dostupnosť výkonných hardwareových prostriedkov otvára nové možností tieto procesy automatizovať a urýchliť cestou hĺbkového učenia použitím konvolučných neurónových sietí (KNS). Študent sa preto oboznámi s princípmi fungovania MRI zariadenia (teoreticky a prakticky), manuálnou segmentáciou objemových MRI dát, a princípmi fungovania KNS. Študent navrhne vlastnú architektúru KNS na segmentáciu objemových dát, natrénuje, validuje a následne implementuje na testovacie dáta. Výstupom uvedenej dizertačnej práce by mala byť KNS schopná nasadenia v klinickej praxi, pri diagnostike a kvantitatívnej analýzy vybraných tkanív (chrupaviek, väzov, šliach, meniskov, podkožného tuku, a pod.). Jedná sa o prácu teoretickú, v ktorej sú základy programovania a znalosť niektorého programovacieho jazyka podmienkou. Ako programovacie prostredie pre návrh a testovanie neurónových sietí bude slúžiť Python s využitím modulu TensorFlow.
Literatúra:
1. Juras, V., Szomolanyi, P., Schreiner, M.M., Unterberger, K., Kurekova, A., Hager, B., Laurent, D., Raithel, E., Meyer, H., Trattnig, S. Reproducibility of an Automated Quantitative MRI Assessment of Low-Grade Knee Articular Cartilage Lesions. Cartilage, 13, 646S-657S, 2021.
2. Chollet, F. Deep learning with Python – 2nd edition, Manning Publications Co., Shelter Island, NY, 2021.
3. Cicek, O., Abdulkadir, A., Lienkamp, S.S., Brox, T., Ronneberger, O. 3D U-net: Learning dense volumetric segmentation from sparse annotation. Lecture Notes in Computer Science (including subseries Lecture Notes in Arti cial Intelligence and Lecture Notes in Bioinformatics), 9901 LNCS, 424-432, 2016.
Literatúra:
1. Juras, V., Szomolanyi, P., Schreiner, M.M., Unterberger, K., Kurekova, A., Hager, B., Laurent, D., Raithel, E., Meyer, H., Trattnig, S. Reproducibility of an Automated Quantitative MRI Assessment of Low-Grade Knee Articular Cartilage Lesions. Cartilage, 13, 646S-657S, 2021.
2. Chollet, F. Deep learning with Python – 2nd edition, Manning Publications Co., Shelter Island, NY, 2021.
3. Cicek, O., Abdulkadir, A., Lienkamp, S.S., Brox, T., Ronneberger, O. 3D U-net: Learning dense volumetric segmentation from sparse annotation. Lecture Notes in Computer Science (including subseries Lecture Notes in Arti cial Intelligence and Lecture Notes in Bioinformatics), 9901 LNCS, 424-432, 2016.