Diplomová práca

Meno a priezvisko: Filip Sekerka

Kontakt: sekerka6@uniba.sk

Názov práce: Detekcia meningeómu v CT snímkach

Školiteľ: RNDr. Zuzana Černeková, PhD.

Katedra: FMFI.KAI - Katedra aplikovanej informatiky

Anotácia: Meningeóm je nezhubný nádor, ktorý vychádza z mozgových obalov a vyskytuje sa teda na periférii mozgu. Môže byť aj kalcifikovaný (vtedy je "svetlejší"). Cieľom práce je naštudovať problematiku spracovania medicínskych dát pomocou neurónových sietí. Analyzovať existujúce riešenia publikované v dostupnej odbornej literatúre. Navrhnúť a implementovať metódu založenú na neurónových sieťach, ktorá zdeteguje a určí veľkosť meningeómu na CT snímkach mozgu. Túto metódu otestovať a vyhodnotiť výsledky.

Cieľ: Cieľom práce je detegovať meningeom v snímkach CT mozgu s využitím neurónových sietí. Cieľom práce je naštudovať problematiku spracovania medicínskych dát pomocou neurónových sietí. Analyzovať existujúce riešenia publikované v dostupnej odbornej literatúre. Navrhnúť a implementovať metódu založenú na neurónových sieťach, ktorá zdeteguje a určí veľkosť meningeómu na CT snímkach mozgu. Túto metódu otestovať a vyhodnotiť výsledky.

Latex dokument: Download

Zdrojový kód : Download

Prezentácia: Download

Linky na použité knižnice:

• Pydicom
• Numpy
• SimpleITK
• Tensorboard
• Torchio
• Scikit-learn
• Pytorch

Literatúra:

• Článok 1 - Accurate brain tumor detection using deep convolutional neural network
• Článok 2 - Convolutional neural networks for multi-class brain disease detection using MRI images
• Článok 3 - Brain tumor classification for MR images using transfer learning and fine-tuning
• Článok 4 - Deep-learning single-shot detector for automatic detection of brain metastases with the combined use of contrast-enhanced and non-enhanced computed tomography images

Denník

• 21.2.2022 hľadanie článkov
• 28.2.2022 hľadanie článkov
• 7.3.2022 príprava kostry latex dokumentu
• 14.3.2022 stretnutie s lekárom kvôli dátam
• 21.3.2022 implementácia skriptov na prácu s dicom dátami
• 28.3.2022 implementácia skriptov na prácu s dicom dátami
• 4.4.2022 rozbehanie knižníc na prácu s neuronovými sieťami, oboznámenie sa s U-Net2D modelom
• 11.4.2022 oboznámenie sa a implementácia Two channel modelu
• 18.4.2022 ďalšie stretnutie s lekárom kvôli dátam, trénovanie prvého modelu
• 25.4.2022 príprava záverečnej prezentácie
• 2.5.2022 príprava záverečnej prezentácie
• 6.9.2022 Binárna klasifikácia pomocou upravených modelov VGG19, VG11
• 13.9.2022 Binárna klasifikácia pomocou upravených modelov VGG19, VG11
• 20.9.2022 Binárna klasifikácia pomocou upravených modelov VGG19, VG11
• 27.9.2022 Binárna klasifikácia pomocou upraveného modelu ResNet18
• 4.10.2022 Testovanie rôznych augmentácii, regulariázcie
• 11.10.2022 Testovanie rôznych augmentácii, regulariázcie
• 18.10.2022 Písanie textu práce - kapitoly Východiská a predchádzajúce riešenia
• 25.10.2022 Písanie textu práce - kapitoly Východiská a predchádzajúce riešenia
• 1.11.2022 Vytvorenie vlastného jednoduchého modelu na klasifikáciu
• 8.11.2022 Použitie RetinaNet na predikciu bounding boxov
• 15.11.2022 Využitie predtrénovaného 3D modelu na klasikáciu - ResNet183D
• 22.11.2022 Využitie predtrénovaného 3D modelu na klasikáciu - ResNet183D
• 28.11.2022 Využitie klasických metód strojového učenia pre počitačové videnie (Histogram orientovaných gradientov + Support vector machine)
• 5.12.2022 Využitie klasických metód strojového učenia pre počitačové videnie (FisherFaces(PCA+LDA) + Support vector machine)

Časový plán

• 13.5.2022 záverečná prezentácia na Projekotvý seminár 1
• 9.12.2022 záverečná prezentácia na Projekotvý seminár 2