Detekcija karakterističnih točk na rentgenskih posnetkih glave s pomočjo tehnik globokega učenja

Sedej, Gašper

| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava

Prva stran > Izpis gradiva

Izpis gradiva

Naslov:	Detekcija karakterističnih točk na rentgenskih posnetkih glave s pomočjo tehnik globokega učenja
Avtorji:	ID Sedej, Gašper (Avtor) ID Potočnik, Božidar (Mentor) Več o mentorju... ID Šavc, Martin (Komentor)
Datoteke:	MAG_Sedej_Gasper_2019.pdf (5,14 MB) MD5: 64523E68C25D70B071D691C555EF9B48 PID: 20.500.12556/dkum/0d8a1db2-b249-41bb-a4b6-52ef1cbd2ce0
Jezik:	Slovenski jezik
Vrsta gradiva:	Magistrsko delo/naloga
Tipologija:	2.09 - Magistrsko delo
Organizacija:	FERI - Fakulteta za elektrotehniko, računalništvo in informatiko
Opis:	V tem magistrskem delu smo se ukvarjali s sistemom za detekcijo karakterističnih točk na slikovnih podatkih. Izdelali smo splošen sistem za avtomatsko zaznavanje karakterističnih točk, ki smo ga prilagodili za kefalometrične točke na rentgenskih slikah. Kot detektor smo uporabili obstoječo globoko nevronsko mrežo SegNet, ki je namenjena segmentiranju slik. To mrežo smo modificirali za iskanje karakterističnih točk. Novo mrežo smo poimenovali KeypointNet. Izdelali smo tudi sistem za označevanje točk na slikah. Detektor smo učili z učno množico. Na testni množici smo izvedli detekcijo in izmerili napako, ki jo definiramo kot evklidsko razdaljo med napovedano in označeno točko. Testirali smo tudi nabor krmilnih hiperparametrov pri zagonu učenja. Sistem smo testirali na množici 124 kefalometričnih slik velikosti 480 × 360 pikslov, in sicer za nabor 10 izbranih točk. Na vseh slikah smo označili te točke. Slike smo razdelili v učno in testno množico v razmerju približno 75 % in 25 %. Testirali smo 16 naborov hiperparametrov. Za vsak nabor smo izvedli 5 ponovitev učenja. Povprečna napaka v položaju točke na testni množici je bila 2,7 piksla. Testirali smo tudi vpliv dveh hiperparametrov za nadzor učenja. Testi so pokazali, da rahel odklon od priporočenih vrednosti za ta dva hiperparametra nima signifikantnega vpliva na končni rezultat. Dobljeni rezultati so zelo spodbudni. Razvili smo torej napreden sistem na osnovi globokega učenja, ki uspešno detektira karakteristične točke na slikah.
Ključne besede:	globoko učenje, nevronske mreže, kefalometrija, razpoznavanje vzorcev, optimizacija, paralelno izvajanje
Kraj izida:	[Maribor
Založnik:	G. Sedej
Leto izida:	2018
PID:	20.500.12556/DKUM-72804
UDK:	004.89:004.932.72\'1(043.2)
COBISS.SI-ID:	22030614
NUK URN:	URN:SI:UM:DK:3CUAX2QB
Datum objave v DKUM:	10.01.2019
Število ogledov:	1658
Število prenosov:	215
Metapodatki:
Področja:	KTFMB - FERI
:	Kopiraj citat

Skupna ocena:	(0 glasov)
Vaša ocena:	Ocenjevanje je dovoljeno samo prijavljenim uporabnikom.
Objavi na:

Postavite miškin kazalec na naslov za izpis povzetka. Klik na naslov izpiše podrobnosti ali sproži prenos.

Licence

Licenca:	CC BY-NC-SA 4.0, Creative Commons Priznanje avtorstva-Nekomercialno-Deljenje pod enakimi pogoji 4.0 Mednarodna

Povezava:	http://creativecommons.org/licenses/by-nc-sa/4.0/deed.sl
Opis:	Licenca Creative Commons, ki prepoveduje komercialno uporabo in zahteva, da uporabnik predelana dela objavi z enako licenco.
Začetek licenciranja:	20.11.2018

Sekundarni jezik

Jezik:	Angleški jezik
Naslov:	Detection of characteristic points on X-ray images using deep learning techniques
Opis:	In this master thesis we were dealing with a system for detecting characteristic points on image data. We have created a general system for automatic detection of characteristic points, which we have adapted for cephalometric points in X-ray images. As a detector we used the existing deep neural network SegNet, which is used for image segmentation. We modified this network to detect characteristic points. We named the new network KeypointNet. We also created a system for labeling points in the images. The detector was trained using a training set. The detection was performed on the test set and an error was calculated, which is defined as the euclidean distance between the predicted and the labeled point. We also tested the set of control hyperparameters when starting the learning process. The system was tested on a set of 124 cephalometric images of 480 × 360 pixels, for a set of 10 selected points. We've tagged these points on all the images. The images were divided into a learning and test set in a ratio of approximately 75% and 25%. We tested 16 sets of hyperparameters. For each set we performed 5 repetitions of learning. The average error in the point position on the test set was 2.7 pixels. We also tested the influence of two hyperparameters for learning control. The tests showed that a slight deviation from the recommended values for these two hyperparameters does not have a significant effect on the final result. The results obtained are very encouraging. Therefore we have developed an advanced system based on deep learning, which successfully detects characteristic points in the images.
Ključne besede:	deep learning, neural networks, cephalometry, pattern recognition, optimization, parallel execution

Komentarji

Dodaj komentar

Za komentiranje se morate prijaviti.

Komentarji (0)

0 - 0 / 0

Ni komentarjev!

Nazaj