| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava

Izpis gradiva Pomoč

Naslov:Detekcija jajčnih mešičkov v ultrazvočnih volumnih z globokimi nevronskimi mrežami na osnovi modela transformer : magistrsko delo
Avtorji:ID Pečar, Žiga (Avtor)
ID Potočnik, Božidar (Mentor) Več o mentorju... Novo okno
Datoteke:.pdf MAG_Pecar_Ziga_2025.pdf (3,45 MB)
MD5: D8E3101131F77E72EC6E8E3186B0DBA2
 
Jezik:Slovenski jezik
Vrsta gradiva:Magistrsko delo/naloga
Tipologija:2.09 - Magistrsko delo
Organizacija:FERI - Fakulteta za elektrotehniko, računalništvo in informatiko
Opis: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.
Ključne besede:nevronske mreže, 3D segmentacija, globoko učenje, 3D sivinski volumni, model transformer
Kraj izida:Maribor
Kraj izvedbe:Maribor
Založnik:[Ž. Pečar]
Leto izida:2025
Št. strani:1 spletni vir (1 datoteka PDF (IX, 47 str.))
PID:20.500.12556/DKUM-95418 Novo okno
UDK:004.932:004.8.032.26(043.2)
COBISS.SI-ID:255983875 Novo okno
Datum objave v DKUM:22.10.2025
Število ogledov:120
Število prenosov:48
Metapodatki:XML DC-XML DC-RDF
Področja:KTFMB - FERI
:
Kopiraj citat
  
Skupna ocena:(0 glasov)
Vaša ocena:Ocenjevanje je dovoljeno samo prijavljenim uporabnikom.
Objavi na:Bookmark and Share



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

Licence

Licenca:CC BY-NC-ND 4.0, Creative Commons Priznanje avtorstva-Nekomercialno-Brez predelav 4.0 Mednarodna
Povezava:http://creativecommons.org/licenses/by-nc-nd/4.0/deed.sl
Opis:Najbolj omejujoča licenca Creative Commons. Uporabniki lahko prenesejo in delijo delo v nekomercialne namene in ga ne smejo uporabiti za nobene druge namene.
Začetek licenciranja:17.09.2025

Sekundarni jezik

Jezik:Angleški jezik
Naslov:Detection of ovarian follicles in ultrasound volumes using transformer-based deep neural networks
Opis: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.
Ključne besede:neural networks, 3D segmentation, deep learning, 3D grayscale volumes, transformer


Komentarji

Dodaj komentar

Za komentiranje se morate prijaviti.

Komentarji (0)
0 - 0 / 0
 
Ni komentarjev!

Nazaj
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici