SEGMENTATION OF CARTILAGE TISSUE IN MICRO CT IMAGES OF MOUSE EMBRYOS WITH MODIFIED U-NET CONVOLUTIONAL NEURAL NETWORK
Identifikátory výsledku
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
—
Alternativní jazyky
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.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
20601 - Medical engineering
Návaznosti výsledku
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
Ostatní
Rok uplatnění
2019
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
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
—