Využití metod hlubokého učení k vytváření realistických medicínských obrazových dat

Bc. Petr Vorlíček

Diplomová práce

Usage of deep learning methods to generate realistic medical image data

Anotace:

Tato práce je zaměřena na možný způsob řešení rozšíření datových souborů používaných ve vývoji systémů na podporu rozhodování v lékařské diagnostice vývojem generativního modelu založeném na hlubokém učení pro vytváření umělých rentgenových snímků hrudníku. Využití generativních modelů, jako jsou generativní soupeřící sítě, variační autoenkodéry a difuzní modely, představuje nový způsob vytváření realistických medicínských obrazových dat, které mají potenciál zlepšit přesnost a vysvětlitelnost systémů na podporu rozhodování v lékařské diagnostice. Cílem práce je vytvoření generativního modelu vytvářejícího realistické snímky hrudníku. Model je vytvořen za pomoci moderní knihovny strojového učení PyTorch. V teoretické části práce jsou uvedeny možná využití a výzvy umělé inteligence v lékařské praxi. Dále jsou přiblíženy knihovny pro tvorbu neuronových sítí a výše zmíněné modely používané pro generování obrazové informace. V praktické části je výsledný model podroben zkoumání pomocí řady metrik, jako je například kosinová podobnost.

Abstract:

This work focuses on a possible way to address the extension of datasets used in the development of decision support systems in medical diagnosis by developing a deep learning based generative model for generating artificial chest X-ray images. The use of generative models, such as generative adversarial networks, variational autoencoders and diffusion models, represents a new way of generating realistic medical image data that has the potential to improve the accuracy and explainability of decision support systems in medical diagnosis. The goal of this work is to create a generative model that produces realistic chest images. The model is created using the machine learning library PyTorch. In the theoretical part of the thesis, possible applications, and challenges of artificial intelligence in medical practice are presented. Furthermore, libraries for creating neural networks and the models used for generating image information are presented. In the practical part, the resulting model is examined using several metrics such as cosine similarity.

Klíčová slova

hluboké učení, zpracování obrazové informace, generativní umělá inteligence, computer aided diagnosis, generativní soupeřící sítě, RTG snímky hrudníku, TensorFlow, PyTorch, rozšíření datového souboru

Keywords

Deep Learning, Image Information Processing, Generative Artificial Intelligence, Computer Aided Diagnosis, Generative Adversarial Nets, Chest X-Ray, TensorFlow, PyTorch, Data Augmentation

Jazyk práce: čeština

Datum vytvoření / odevzdání či podání práce: 2. 4. 2024

Obhajoba závěrečné práce

• Obhajoba proběhla 5. 6. 2024
• Vedoucí: doc. Ing. Arnošt Veselý, CSc.
• Oponent: Richard Vágner, externi

Česká zemědělská univerzita v Praze

Provozně ekonomická fakulta

Magisterský studijní program:
Informatika