CTDeepRot

Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26220%2F20%3APR33215" target="_blank" >RIV/00216305:26220/20:PR33215 - isvavai.cz</a>
Výsledek na webu
<a href="https://github.com/JakubicekRoman/CTDeepRot" target="_blank" >https://github.com/JakubicekRoman/CTDeepRot</a>
DOI - Digital Object Identifier
—

Jazyk výsledku
angličtina
Název v původním jazyce
CTDeepRot
Popis výsledku v původním jazyce
A tool for automatic rotation of spinal CT data into a standardized (HFS) patient position. The proposed method is based on the prediction of rotation angle with CNN, and it achieved nearly perfect results with an accuracy of 99.55 % and in a very short time (in the order of units of seconds per scan). We provide implementations with easy to use an example for both Matlab and Python (PyTorch), which can be used, for example, for automatic rotation correction of VerSe2020 challenge data.
Název v anglickém jazyce
CTDeepRot
Popis výsledku anglicky
A tool for automatic rotation of spinal CT data into a standardized (HFS) patient position. The proposed method is based on the prediction of rotation angle with CNN, and it achieved nearly perfect results with an accuracy of 99.55 % and in a very short time (in the order of units of seconds per scan). We provide implementations with easy to use an example for both Matlab and Python (PyTorch), which can be used, for example, for automatic rotation correction of VerSe2020 challenge data.

Rok uplatnění
2020
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Interní identifikační kód produktu
CTDeepRot
Technické parametry
Program je vytvořen duplicitně v programovacích jazycích MATLAB a Python. Spuštění programu se doporučuje v programovacím prostředí MATLAB verze R2020a nebo vyšší. V případě využítí programu v prostředí Python jsou vyžadovány knihovny PyTorch. Minimální konfigurace PC: Procesor 2.4GHz Quad Core, operační paměť 16GB, doporučena CUDA karta NVIDIA řady 900+ s alespoň 6GB VRAM. Software je volně dostupný na internetu přes webové rozhraní GitHub. Na výběr jsou pro predikci pacientské pozice dva naučené modely strojového učení, konkrétně 2D a 3D CNN.
Ekonomické parametry
Program je využíván k automatické predikci pacientské pozice v CT datech a ke geometrické transformaci těchto dat z libovolné pozice do pozice HFS (Head First Supine). Tento program napomáhá k urychlení procesu předzpracování libovolných CT dat před libovolnou následnou analýzou nebo jejich jinému zpracování, v případech, kdy pacientská pozice není předem známa. V rámci volné licence může být tento algoritmus upraven. Software je online dostupný široké vědecké a lékařské komunitě a může být implementován do libovolného výzkumného softwaru.
IČO vlastníka výsledku
—
Název vlastníka
Ústav biomedicínského inženýrství

Podobné výsledky(10)