Utilization of Machine Learning in Biomedical Image Synthesis

Mgr. David Wiesner

Rigorózní práce

Anotace:

Využití automatické analýzy obrazu má v biomedicíně již dlouhou tradici. Mezi obvyklé aplikace patří segmentace, tracking nebo klasifikace. Tyto metody je však nutné ověřovat, aby se uživatelé mohli spolehnout na získané výsledky. To motivuje vývoj simulačních nástrojů schopných vytvářet syntetické snímky s odpovídající anotací. Cílem této práce je výzkum a vývoj generativních modelů a související metodiky. Vyvinuté modely využijí moderní přístupy strojového učení pro generování věrohodných syntetických snímků s přesnou anotací. Z dosavadních výsledků je třeba zmínit zejména webové rozhraní CytoPacq, které slouží jako platforma pro prezentaci aktuálních výsledků a získání zpětné vazby od komunity. Dále byl publikován generativní model tvaru buňky ve 3D, který využívá strojové učení k aproximaci reálných tvarů.

Abstract:

The employment of automated algorithms for analysis of biomedical image data is well established. Among the typical use cases is segmentation, tracking, or classification of the structures of interest. As the users often have to rely on the correctness of the obtained results, there is a high demand for objective validation. This motivates the development of simulation tools capable of producing synthetic biomedical images accompanied by inherent ground truth annotation suitable for validation. The aim of this work is to research and develop state-of-the-art generative models and corresponding methodology. The models will utilize contemporary machine learning approaches and will be capable of generating statistically plausible synthetic biomedical datasets with high-quality annotation. The already published results involve the web simulation interface CytoPacq, serving as a platform for immediate presentation of new results, and allowing the gathering of essential feedback from the community. Moreover, the recently published machine learning model of 3D cell shape demonstrated the ability to capture real data distribution and exposed difficulties emerging when training complex models.

Keywords

image synthesis, machine learning, deep learning, neural networks, simulation, biomedical imaging, GAN, CBIA, syntéza obrazu, strojové učení, simulace, neuronové sítě

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 20. 2. 2020

Obhajoba závěrečné práce

• Obhajoba proběhla 27. 5. 2020
• Oponent: doc. RNDr. Tomáš Brázdil, Ph.D., Dr.rer.nat.habil. Boris Flach

Masarykova univerzita

Fakulta informatiky

Rigorózní řízení / obor:
Umělá inteligence a zpracování dat / Umělá inteligence a zpracování dat