Hluboké učení v radiologii

Bc. Adam Ostruszka

Master's thesis

Deep Learning in Radiology

Abstract:

Tato práce zkoumá současný stav a možnosti využití hlubokého učení v diagnostické radiologii, konkrétně klasifikaci dvourozměrných snímků pomocí konvolučních neuronových sítí. Práce jednak přináší shrnutí aktuálního stavu vývoje v této oblasti ve vědě i klinické praxi a jednak ověřuje možnosti nasazení světově nejběžnějších technologií na reálném a smysluplném příkladu klasifikace onemocnění na rentgenových snímcích rukou revmatologických pacientů. Vzhledem k omezené velikosti dostupného datového souboru byly vyzkoušeny metody přeneseného učení (transfer learning) a rozšíření dat (data augmentation). Zkoumaný datový soubor poskytla Fakultní nemocnice Hradec Králové a skládá se ze tří skupin snímků rukou trpících revmatickými onemocněními a rukou bez onemocnění. Řešit bylo nutné jednak velmi důkladnou analýzu a předzpracování vstupních dat a jednak samotnou klasifikaci. Nejvíce se osvědčily neuronové sítě architektur ResNet a Inception-V3. Nejúspěšnější experimenty dosáhly v klíčových metrikách hodnot okolo 90 % a taktéž další dosažené výsledky ukazují, že budoucí vývoj nastíněným směrem má smysl.

Keywords

počítačové vidění, hluboké učení, přenesené učení, neuronové sítě, TensorFlow, radiologie, RTG, revmatologie, revmatoidní artritida, psoriatická artritida, osteoartróza

Language used: Czech

Date on which the thesis was submitted / produced: 13. 5. 2020

Thesis defence

• Date of defence: 26. 5. 2020
• Supervisor: Ing. Karel Mls, Ph.D.
• Reader: prof. RNDr. Peter Mikulecký, Ph.D.

University of Hradec Králové

Faculty of Informatics and Management

Master programme / field:
Aplikovaná informatika / Aplikovaná informatika