20.500.12556/DKUM-95418 Detekcija jajčnih mešičkov v ultrazvočnih volumnih z globokimi nevronskimi mrežami na osnovi modela transformer magistrsko delo Detection of ovarian follicles in ultrasound volumes using transformer-based deep neural networks V okviru magistrskega dela smo razvili in implementirali tri metode za detekcijo jajčnih mešičkov in jajčnikov v 3D ultrazvočnih volumnih z uporabo globokih nevronskih mrež, osnovanih na arhitekturah tipa transformer. Implementirani sistemi uporabljajo globoko učenje ter arhitekturo transformer in so posebej prilagojeni za obdelavo volumetričnih podatkov. Vse tri rešitve vključujejo pripravo vhodnih ultrazvočnih podatkov, učenje modela na ročno segmentiranih vzorcih ter napovedovanje prisotnosti in oblike mešičkov/jajčnikov v novih podatkih. Za izboljšanje natančnosti smo uporabili različne tehnike bogatenja podatkov ter ločeno obravnavali prisotnost jajčnikov in jajčnih mešičkov. Učinkovitost metod smo ovrednotili s pomočjo kvantitativnih metrik ter vizualno analizo rezultatov nad več volumni iz javno dostopne podatkovne zbirke USOVA3D. Ugotovili smo, da modeli transformer potrebujejo znatno več podatkov, da enačijo ali presežejo zmožnosti konvolucijskih nevronskih mrež. In this master's thesis, we developed and implemented methods for follicle and ovary detection in 3D ultrasound volumes using deep neural networks based on transformer architectures. The implemented systems leverage deep learning and transformer-based design, specifically tailored for processing volumetric medical data. All three solutions include preprocessing of input ultrasound volumes, training the model on manually segmented samples, and predicting the presence and shape of follicles and ovaries in unseen data. To improve accuracy, various data augmentation techniques were applied, and the presence of ovaries and ovarian follicles were addressed separately. The effectiveness of the methods was assessed through quantitative metrics and visual analysis on multiple volumes from the publicly available USOVA3D database. We found that transformer models require significantly more data to match or surpass the capabilities of convolutional neural networks. nevronske mreže 3D segmentacija globoko učenje 3D sivinski volumni model transformer neural networks 3D segmentation deep learning 3D grayscale volumes transformer true true false [Ž. Pečar] Slovenski jezik Angleški jezik Magistrsko delo/naloga 2025-09-17 14:10:44 2025-10-22 12:49:47 2025-11-06 03:08:13 0000-00-00 00:00:00 2025 0 Maribor 0 Maribor 1 spletni vir (1 datoteka PDF (IX, 47 str.)) 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 004.932:004.8.032.26(043.2) 255983875 MAG_Pecar_Ziga_2025.pdf MAG_Pecar_Ziga_2025.pdf 1 D8E3101131F77E72EC6E8E3186B0DBA2 c8632ad98cc543c4768241f6716434481d63b23e8bb31f92bbec98cec92c62a5 b4f77b6a-9732-11f0-b110-00155d000105 https://dk.um.si/Dokument.php?lang=slv&id=198920 Fakulteta za elektrotehniko, računalništvo in informatiko 0 0 0