prof. Ing. Vanda Benešová, CSc.

Počítačové vidění získává stále důležitější postavení v automatickém zpracování lékařských vizuálních dat, zejména radiologických a histologických snímků. Nejdůležitější aktuální témata výzkumu počítačového vidění v medicínských aplikacích souvisejí s diagnostikou různých onemocnění a jejich cílem je poskytnout lékaři další relevantní informace, případně jej v automatickém či poloautomatickém režimu zbavit některých úkonů.

Ke splnění těchto cílů je nezbytný vývoj nových, robustních metod počítačového vidění s využitím moderních přístupů hlubokých neuronových sítí.

Výzvy vidíme nejen ve výzkumu nových metod počítačového vidění s využitím hlubokého učení, výzkumu jejich interpretovatelnosti a vysvětlitelnosti, v generování dat pro augmentaci dat, ale také v optimalizaci procesu iterativního vývoje nové medicínské aplikace, včetně efektivity procesu anotace.

Výzkum v průběhu doktorského studia se zaměří na jednu ze zmíněných oblastí.

prof. Ing. Vanda Benešová, CSc.

prof. RNDr. Pavel Surynek, Ph.D.

Katedra aplikované matematiky

Tato práce se zabývá segmentací lézí hypoxicko-ischemické encefalopatie u novorozenců v MRI snímcích s využitím hlubokých neurnonových sítí. Práce prozkoumává a implementuje různé přístupy, jako například super resolution a syntéza dat k dosažení přesnější segmentace na datasetu BONBID-HIE. V rámci práce jsme implementovali funkční pipeline pro vytvoření super resolution 3D MRI snímků, pipeline pro vytvoření syntetických lézí, které se dále vkládali do snímků z datasetu a také segmentační pipeline. Výsledky byly diskutovány a porovnány.

prof. Ing. Vanda Benešová, CSc.

Ing. Daniel Vašata, Ph.D.

Katedra aplikované matematiky

Tato diplomová práce se zaměřuje na pokročilé metody zpracování digitálních histopatologických obrazů s cílem zlepšit predikci rakoviny melanomu s využitím PUMA datasetu. Práce se soustředí na analýzu současných řešení pro panoptickou segmentaci v histopatologických datech. Navrhuje segmentační pipeline ve formě vybraného state-of-the-art modelu TransUnet, který je dále modifikován, společně s Autoencoderem pro spojování rozřezaného obrázku. Tato pipeline překonává existující řešení o 0.06 DICE skóre. Práce zahrnuje detailní popis předzpracování dat, optimalizaci hyperparametrů a implementaci vybraných modelů.