Ing. Jan Kubant

Ing. Jan Kubant

doc. Ing. Kamil Dedecius, Ph.D.

Katedra aplikované matematiky

Tato práce se zabývá klasifikaci nejčastějšiho typu srdečnich arytmii, a to fibrilace sini pomoci konvolučnich neuronových siti (CNN). Čini tak skrze interpretaci 12-svodových záznamů EKG, které byly poskytnuty ve spolupráci s Institutem klinické a experimentálni mediciny (IKEM). V teoretické části práce jsou představeny kličové koncepty z oblasti neuronových siti, arytmologie, přeneseného učeni a augmentace dat. V praktické části práce je navržena a optimalizována CNN klasifikujici fibrilaci sini, problém malého množstvi dat tato práce řeši skrze implementaci technik přeneseného učeni a augmentace dat. Optimalizovaný model navržený v této práci dosahuje v kličových metrikách hodnot 90 % senzitivity, 94 % specificity a 0,89 F1-skóre. Oproti řešeni, které se použivá v klinické praxi, model dosahoval o 10 % vyšši hodnoty senzitivity, má tedy vyšši schopnost přesně detekovat pozitivni připady výskytu fibrilace sini.

Práce na DSpace

Ing. Jan Kubant

Ing. Jakub Novák

Katedra aplikované matematiky

Úspěch transplantace pankreatických ostrůvků závisí na přesném odhadu množství beta buněk v jednotlivých ostrůvcích, které je primárně odhadováno na základě objemů ostrůvků získaných analýzou mikroskopických snímků vzorků izolovaných ostrůvků. Předchozí výzkum zkoumal aplikaci digitální obrazové analýzy pro získání binárních segmentačních masek ostrůvků následně použitých pro výpočet objemu. Cílem této práce je analýza a řešení nedostatků současného přístupu využívajícího sémantický segmentační model UNet k získání segmentačních masek ostrůvků z mikroskopických snímků. Analýza ukázala, že hlavním nedostatkem modelu je neschopnost rozlišit jednotlivé instance k sobě přiléhajících ostrůvků. To vede k nadhodnocení objemů ostrůvků a tím i množství beta buněk ve vzorku. Tato práce zkoumá modely segmentace instancí jako alternativu, která by mohla vyřešit nedostatky modelu UNet. Model navržený v této práci prokazuje potenciál tohoto přístupu pro použití v segmentaci pankreatických ostrůvků. Navržený model překonal UNet v přesnosti vymezení jednotlivých instancí ostrůvků a zároveň si zachoval porovnatelné celkové IoU skóre segmentací.

Práce na DSpace