prikaz prve stranice dokumenta Razvoj modela dubokog učenja za uklanjanje gipsa na pedijatrijskim medicinskim rendgenskim slikama
  Preuzmi
PDF 17.22 MB
diplomski rad
Razvoj modela dubokog učenja za uklanjanje gipsa na pedijatrijskim medicinskim rendgenskim slikama
2024. urn:nbn:hr:190:362752
Vičević, Dominik
Sveučilište u Rijeci
Tehnički fakultet

Citirajte ovaj rad

Vičević, D. (2024). Razvoj modela dubokog učenja za uklanjanje gipsa na pedijatrijskim medicinskim rendgenskim slikama (Diplomski rad). Rijeka: Sveučilište u Rijeci, Tehnički fakultet. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:190:362752

Vičević, Dominik. "Razvoj modela dubokog učenja za uklanjanje gipsa na pedijatrijskim medicinskim rendgenskim slikama." Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, 2024. https://urn.nsk.hr/urn:nbn:hr:190:362752

Vičević, Dominik. "Razvoj modela dubokog učenja za uklanjanje gipsa na pedijatrijskim medicinskim rendgenskim slikama." Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, 2024. https://urn.nsk.hr/urn:nbn:hr:190:362752

Vičević, D. (2024). 'Razvoj modela dubokog učenja za uklanjanje gipsa na pedijatrijskim medicinskim rendgenskim slikama', Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, citirano: 28.09.2024., https://urn.nsk.hr/urn:nbn:hr:190:362752

Vičević D. Razvoj modela dubokog učenja za uklanjanje gipsa na pedijatrijskim medicinskim rendgenskim slikama [Diplomski rad]. Rijeka: Sveučilište u Rijeci, Tehnički fakultet; 2024 [pristupljeno 28.09.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:190:362752

D. Vičević, "Razvoj modela dubokog učenja za uklanjanje gipsa na pedijatrijskim medicinskim rendgenskim slikama", Diplomski rad, Sveučilište u Rijeci, Tehnički fakultet, Rijeka, 2024. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:190:362752

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:190:362752
Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.
Podaci o radu
NaslovRazvoj modela dubokog učenja za uklanjanje gipsa na pedijatrijskim medicinskim rendgenskim slikama
Naslov (engleski)Development of a deep learning model for cast removal on pediatric medical X-ray images
AutorDominik Vičević
MentorIvan Štajduhar (mentor)
MentorFranko Hržić (komentor)
Član povjerenstvaIvo Ipšić (predsjednik povjerenstva)
Član povjerenstvaMladen Tomić (član povjerenstva)
Član povjerenstvaIvan Štajduhar (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Rijeci
Tehnički fakultet
Rijeka
Datum i država obrane2024-07-17, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Sažetak
Gips je potporno sredstvo koje obavija ozlijeđeni dio tijela radi imobilizacije i ubrzanja procesa zacjeljivanja. Na rendgenskim snimkama kostiju, gips se prikazuje kao homogena bijela ili svjetlosiva struktura koja, zbog svoje gustoće, ometa prijenos rendgenskih zraka, čime se smanjuje vidljivost detalja i složenih struktura kostiju. Cilj ovog istraživanja je uklanjanje gipsa s pedijatrijskih medicinskih rendgenskih snimaka kostiju različitih anatomskih regija korištenjem translacije ne-uparenih slika. Tri različite metode su implementirane i evaluirane: CycleGAN, HarmonicGAN i CycleDiffusion. Iako je metoda CycleDiffusion pokazala superiorne rezultate prema kvantitativnim metrikama, vizualna procjena generiranih slika otkrila je česte slučajeve "halucinacija" (gubitak ili izobličenje anatomskih značajki kostiju nakon uklanjanja gipsa). S druge strane, GAN modeli su se pokazali učinkovitijima u očuvanju složenih detalja slika nakon uklanjanja gipsa, iako su prema evaluacijskim metrikama postigli slabije rezultate u usporedbi s CycleDiffusion metodom. Konkretno, HarmonicGAN model treniran na svim anatomskim regijama unutar skupa podataka dao je najbolje rezultate.
Sažetak (engleski)
A cast is a supportive device that encircles the injured part of the body to immobilize it and accelerate the healing process. In radiographic bone imaging, a cast appears as a homogenous white or light gray structure that, due to its density, impedes the transmission of X-rays, thereby diminishing the visibility of details and intricate bone structures. This research aims to suppress casts from pediatric medical X-ray representations of bones in different anatomical regions through unpaired image-to-image translation. Three distinct approaches were employed and evaluated: CycleGAN, HarmonicGAN, and CycleDiffusion. While the CycleDiffusion method demonstrated superior performance based on quantitative metrics, visual assessment of the output images uncovered common instances of "hallucinations" (loss or distortion of bone anatomical features after cast suppression). Conversely, GAN models proved to be more effective in preserving image intricacies after cast suppression, albeit yielding inferior results compared to the CycleDiffusion method judging by the evaluation metrics. Specifically, the HarmonicGAN model trained on all anatomical regions within the dataset yielded the best results.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:190:362752
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag. ing. comp.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Imenovanje 4.0 međunarodna (CC BY 4.0)
Datum i vrijeme pohrane2024-07-09 19:07:28