Hluboké učení v radiologii

Bc. Adam Ostruszka

Diplomová práce

Deep Learning in Radiology

Anotace:

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.

Klíčová slova

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

Jazyk práce: čeština

Datum vytvoření / odevzdání či podání práce: 13. 5. 2020

Obhajoba závěrečné práce

• Obhajoba proběhla 26. 5. 2020
• Vedoucí: Ing. Karel Mls, Ph.D.
• Oponent: prof. RNDr. Peter Mikulecký, Ph.D.

Univerzita Hradec Králové

Fakulta informatiky a managementu

Magisterský studijní program / obor:
Aplikovaná informatika / Aplikovaná informatika