Comparison of full-size and patches-based learning approaches for aneurysm segmentation in TOF-MRI data
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26220%2F22%3APU150906" target="_blank" >RIV/00216305:26220/22:PU150906 - isvavai.cz</a>
Výsledek na webu
<a href="https://www.eeict.cz/eeict_download/archiv/sborniky/EEICT_2022_sbornik_1_v2.pdf" target="_blank" >https://www.eeict.cz/eeict_download/archiv/sborniky/EEICT_2022_sbornik_1_v2.pdf</a>
DOI - Digital Object Identifier
—
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Comparison of full-size and patches-based learning approaches for aneurysm segmentation in TOF-MRI data
Popis výsledku v původním jazyce
The paper is interested in segmentation of intracranial aneurysms. Intracranial aneurysms are life-threatening issue. In this paper there are proposed two methods for this segmentation problem. First one is segmentation with use of full size images, the other one uses patches of the image, which could help decrease the ration between pixels representing background and pixels representing aneurysms. Data from ADAM challenge 2020 are used to train and evaluate these approaches. Using full images show better results in dice coefficient, which is 0.16 greater, then patched image approach.
Název v anglickém jazyce
Comparison of full-size and patches-based learning approaches for aneurysm segmentation in TOF-MRI data
Popis výsledku anglicky
The paper is interested in segmentation of intracranial aneurysms. Intracranial aneurysms are life-threatening issue. In this paper there are proposed two methods for this segmentation problem. First one is segmentation with use of full size images, the other one uses patches of the image, which could help decrease the ration between pixels representing background and pixels representing aneurysms. Data from ADAM challenge 2020 are used to train and evaluate these approaches. Using full images show better results in dice coefficient, which is 0.16 greater, then patched image approach.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
20200 - Electrical engineering, Electronic engineering, Information engineering
Návaznosti výsledku
Projekt
—
Návaznosti
S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2022
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 I of the 28th Conference STUDENT EEICT 2022 General papers
ISBN
978-80-214-6029-4
ISSN
—
e-ISSN
—
Počet stran výsledku
4
Strana od-do
247-250
Název nakladatele
Brno University of Technology, Faculty of Electronic Engineering and Communication
Místo vydání
Brno
Místo konání akce
Brno
Datum konání akce
26. 4. 2022
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—