| List |
| Topic: | Hluboké učení pro klasifikaci histopatologických dat |
|---|---|
| Department: | Algoritmy pro biomedicínské zobrazování |
| Supervisor: | Jan Hering, Dr. rer. nat. |
| Announce as: | Bakalářská práce, Semestrální projekt |
| Description: | Díky své úspěšnosti v řešení problémů – od klasifikace fotografií, rozpoznávání obličejů ale také např. detekce síťového útoku – se hluboké učení, tj. učení pomocí hlubokých konvolučních sítí do popředí při řešení problémů pomocí strojového učení.
Histopatologické vyhodnocení tkáně je jednou ze základních diagnostických metod v interní medicíně. Tenké vrstvy odebraných vzorků tkání se nejprve reakcí se specifickými barvivy obarví a posléze nasnímají na elektronovém mikroskopu. Velikost takových obrázků v digitální podobě dosahuje až miliardy pixelů, počty takových snímků v rámci běžné klinické praxe díky dostupnosti přístrojů se neustále zvětšují. Spolehlivý systém automatické diagnózy a detekce nádorem zasažené tkáně může výrazně usnadnit práci a ušetřit čas lidským expertům, kteří všechny snímky musí vyhodnotit manuálně. Náplní a očekávaným výstupem práce je implementace vybrané architektury konvoluční sítě podle nejnovější literatury, a sice v jazyce Python a dále její evaluace pro klasifikaci histopatologických snímků datové sady PETACC, která obsahuje obarvené řezy tkáně tlustého střeva. |