SEGMENTATION OF CARTILAGE TISSUE IN MICRO CT IMAGES OF MOUSE EMBRYOS WITH MODIFIED U-NET CONVOLUTIONAL NEURAL NETWORK

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26220%2F19%3APU132034" target="_blank" >RIV/00216305:26220/19:PU132034 - isvavai.cz</a>

Výsledek na webu

<a href="http://www.feec.vutbr.cz/conf/EEICT/archiv/sborniky/EEICT_2019_sbornik.pdf" target="_blank" >http://www.feec.vutbr.cz/conf/EEICT/archiv/sborniky/EEICT_2019_sbornik.pdf</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

SEGMENTATION OF CARTILAGE TISSUE IN MICRO CT IMAGES OF MOUSE EMBRYOS WITH MODIFIED U-NET CONVOLUTIONAL NEURAL NETWORK

Popis výsledku v původním jazyce

Manual segmentation of cartilage tissue in micro CT images of mouse embryos is a very time-consuming process and significantly increases the time required for the research of mammal facial structure development. It is possible to solve this problem by using a fully-automatic segmentation algorithm. In this paper, a fully-automatic segmentation method is proposed using a convolutional neural network trained on manually segmented data. The architecture of the proposed convolutional network is based on the U-Net architecture with its encoding part substituted for the encoding part of the VGG16 classification convolutional neural network pre-trained on the ImageNet database of labelled images. The proposed network achieves average Dice coefficient 0.88 in comparison to manually segmented images.

Název v anglickém jazyce

SEGMENTATION OF CARTILAGE TISSUE IN MICRO CT IMAGES OF MOUSE EMBRYOS WITH MODIFIED U-NET CONVOLUTIONAL NEURAL NETWORK

Popis výsledku anglicky

Manual segmentation of cartilage tissue in micro CT images of mouse embryos is a very time-consuming process and significantly increases the time required for the research of mammal facial structure development. It is possible to solve this problem by using a fully-automatic segmentation algorithm. In this paper, a fully-automatic segmentation method is proposed using a convolutional neural network trained on manually segmented data. The architecture of the proposed convolutional network is based on the U-Net architecture with its encoding part substituted for the encoding part of the VGG16 classification convolutional neural network pre-trained on the ImageNet database of labelled images. The proposed network achieves average Dice coefficient 0.88 in comparison to manually segmented images.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20601 - Medical engineering

Projekt

<a href="/cs/project/LQ1601" target="_blank" >LQ1601: CEITEC 2020</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2019

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proceedings of the 25th Conference STUDENT EEICT 2019

ISBN

978-80-214-5735-5

ISSN

—

e-ISSN

—

Počet stran výsledku

4

Strana od-do

191-194

Název nakladatele

Brno University of Technology

Místo vydání

Brno

Místo konání akce

Brno

Datum konání akce

25. 4. 2019

Typ akce podle státní příslušnosti

CST - Celostátní akce

Kód UT WoS článku

—