Semantička segmentacija organa u slikama magnetske rezonancije

završni rad

• Naslov (engleski): Semantic segmentation of human organs in magnetic resonance images
• Autor: Luka Merćep
• Mentor: Siniša Šegvić (mentor)
• Član povjerenstva: Siniša Šegvić (predsjednik povjerenstva)
• Član povjerenstva: Petra Bevandić (član povjerenstva)
• Član povjerenstva: Matej Grcić (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2021-07-07, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

Primjena tehnologije u medicini sve je češća i ovaj rad bavi se segmentacijom tkiva prostate od okolnog tkiva u slikama magnetske rezonancije. Semantička segmentacija jedan je od zadataka računalnog vida. Ovaj rad primjenjuje tehnike dubokog učenja koje su se pokazale uspješnima u rješavanju problema semantičke segmentacije. Primarno su to rezidualni konvolucijski modela i konvolucijski modeli s ljestvičastim naduzorkovanjem. U ovom radu korišteni su ovi modeli u području semantičke segmentacije slika magnetske rezonancije na skupu podataka PROMISE12. Skup podataka CamVid korišten je kao skup podataka za validaciju arhitekture modela prije no što su isti modeli bili korišteni na skupu podataka PROMISE12.

Sažetak (engleski)

Application of technology in medicine is becoming more common and this paper is exploring segmentation of prostate tissue from the surrounding tissue in magnetic resonance images. Semantic segmentation is one of the problems of computer vision. This paper applies techniques of deep learning that have proved to be successful in semantic segmentation problems. Primarily those are residual models and models with ladder-style upsampling. In this paper, those models were used in semantic segmentation of magnetic resonance images on the PROMISE12 data set. CamVid dataset was used as a dataset for model architecture validation before using those models on the PROMISE12 dataset.

• Ključne riječi: neuronske mreža; duboko učenje; semantička segmentacija; magnetska rezonancija; prostata
• Ključne riječi (engleski): neural networks; deep learning; semantic segmentation; magnetic resonance; prostate
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:019898
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: preddiplomski; Akademski / stručni naziv: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (univ.bacc.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2023-01-14 21:10:26