prikaz prve stranice dokumenta Geometrijsko duboko učenje za segmentaciju urođenih srčanih mana iz CT slika
  Download
PDF 5.4 MB
master's thesis
Geometrijsko duboko učenje za segmentaciju urođenih srčanih mana iz CT slika
2024. urn:nbn:hr:200:607463
Kvesić, David
Josip Juraj Strossmayer University of Osijek
Faculty of Electrical Engineering, Computer Science and Information Technology Osijek
Department of Software Engineering
Chair of Visual Computing

Cite this document

Kvesić, D. (2024). Geometrijsko duboko učenje za segmentaciju urođenih srčanih mana iz CT slika (Master's thesis). Osijek: Josip Juraj Strossmayer University of Osijek, Faculty of Electrical Engineering, Computer Science and Information Technology Osijek. Retrieved from https://urn.nsk.hr/urn:nbn:hr:200:607463

Kvesić, David. "Geometrijsko duboko učenje za segmentaciju urođenih srčanih mana iz CT slika." Master's thesis, Josip Juraj Strossmayer University of Osijek, Faculty of Electrical Engineering, Computer Science and Information Technology Osijek, 2024. https://urn.nsk.hr/urn:nbn:hr:200:607463

Kvesić, David. "Geometrijsko duboko učenje za segmentaciju urođenih srčanih mana iz CT slika." Master's thesis, Josip Juraj Strossmayer University of Osijek, Faculty of Electrical Engineering, Computer Science and Information Technology Osijek, 2024. https://urn.nsk.hr/urn:nbn:hr:200:607463

Kvesić, D. (2024). 'Geometrijsko duboko učenje za segmentaciju urođenih srčanih mana iz CT slika', Master's thesis, Josip Juraj Strossmayer University of Osijek, Faculty of Electrical Engineering, Computer Science and Information Technology Osijek, accessed 08 February 2025, https://urn.nsk.hr/urn:nbn:hr:200:607463

Kvesić D. Geometrijsko duboko učenje za segmentaciju urođenih srčanih mana iz CT slika [Master's thesis]. Osijek: Josip Juraj Strossmayer University of Osijek, Faculty of Electrical Engineering, Computer Science and Information Technology Osijek; 2024 [cited 2025 February 08] Available at: https://urn.nsk.hr/urn:nbn:hr:200:607463

D. Kvesić, "Geometrijsko duboko učenje za segmentaciju urođenih srčanih mana iz CT slika", Master's thesis, Josip Juraj Strossmayer University of Osijek, Faculty of Electrical Engineering, Computer Science and Information Technology Osijek, Osijek, 2024. Available at: https://urn.nsk.hr/urn:nbn:hr:200:607463

Please login to the repository to save this object to your list.
Metadata
TitleGeometrijsko duboko učenje za segmentaciju urođenih srčanih mana iz CT slika
Title (english)Geometric deep learning for segmentation of fetal hearts from CT images
AuthorDavid Kvesić
MentorIrena Galić (mentor)
MentorMarija Habijan (sumentor)
Committee memberMarija Habijan (predsjednik povjerenstva)
Committee memberKrešimir Nenadić (član povjerenstva)
Committee memberKrešimir Romić (član povjerenstva)
GranterJosip Juraj Strossmayer University of Osijek
Faculty of Electrical Engineering, Computer Science and Information Technology Osijek
(Department of Software Engineering)
(Chair of Visual Computing)
Osijek
Defense date and country2024-10-02, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Artificial Intelligence
Abstract
Kardiovaskularne bolesti vodeći su uzrok smrti danas u svijetu. Urođene srčane mane jedan su od faktora koji doprinosi toj statistici. Razvojem moderne znanosti došlo je do napretka metoda obrade digitalnih slika. Razvijene su metode segmentacije dijelova srca temeljene na dubokom učenju. U ovom je radu predstavljena metoda segmentacije srca iz 3D CT slika koristeći GAN metodu dubokog učenja. Za potrebe treninga GAN modela korišteno je 7 CT snimki, konvertiranih u 1203 dvodimenzionalne slike. Prikazani su rezultati treninga modela i usporedba treninga slika iz različitih ravnina, dobivenih različitim načinima konverzije te su dani prijedlozi za poboljšanje performansi modela. U radu je prikazano da se korištenjem GAN arhitekture mogu postići uspješni rezultati u segmentaciji urođenih srčanih mana korištenjem relativno malog skupa podataka za trening.
Abstract (english)
Cardiovascular diseases are the leading cause of death in the world today. Congenital heart defects are one of the factors that contributes to that statistic. The development of modern science has led to the advancement of digital image processing methods. Heart segmentation methods based on deep learning have been developed. This paper presents a heart segmentation method from 3D CT images using GAN architecture. For the purposes of training the GAN model, 7 CT scans were converted into 1203 two-dimensional images. The results of model training and a comparison of training images from different planes, obtained by different conversion methods, are presented, and suggestions for improving the model's performance are given. The paper shows that by using the GAN architecture, successful results can be achieved in the segmentation of congenital heart defects using a relatively small set of training data.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:200:607463
Study programmeTitle: Graduate University Study Programme in Computer Engineering
Study programme type: university
Study level: graduate
Academic / professional title: sveučilišni/a magistar/magistra inženjer/inženjerka računarstva (sveučilišni/a magistar/magistra inženjer/inženjerka računarstva)
Type of resourceText
File originBorn digital
Access conditionsOpen access
Terms of useLicence In copyright icon
Created on2024-11-04 10:28:31