prikaz prve stranice dokumenta Model autoenkodera za razlikovanje nedonoščadi od novorođenčadi na temelju slika magnetske rezonancije mozga
No public access
master's thesis
Model autoenkodera za razlikovanje nedonoščadi od novorođenčadi na temelju slika magnetske rezonancije mozga
Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing, 2024. urn:nbn:hr:168:686865
Pintar, Rea
University of Zagreb
Faculty of Electrical Engineering and Computing

Institutional repository: FER Repository

Cite this document

Pintar, R. (2024). Model autoenkodera za razlikovanje nedonoščadi od novorođenčadi na temelju slika magnetske rezonancije mozga (Master's thesis). Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing. Retrieved from https://urn.nsk.hr/urn:nbn:hr:168:686865

Pintar, Rea. "Model autoenkodera za razlikovanje nedonoščadi od novorođenčadi na temelju slika magnetske rezonancije mozga." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2024. https://urn.nsk.hr/urn:nbn:hr:168:686865

Pintar, Rea. "Model autoenkodera za razlikovanje nedonoščadi od novorođenčadi na temelju slika magnetske rezonancije mozga." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2024. https://urn.nsk.hr/urn:nbn:hr:168:686865

Pintar, R. (2024). 'Model autoenkodera za razlikovanje nedonoščadi od novorođenčadi na temelju slika magnetske rezonancije mozga', Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, accessed 08 March 2025, https://urn.nsk.hr/urn:nbn:hr:168:686865

Pintar R. Model autoenkodera za razlikovanje nedonoščadi od novorođenčadi na temelju slika magnetske rezonancije mozga [Master's thesis]. Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing; 2024 [cited 2025 March 08] Available at: https://urn.nsk.hr/urn:nbn:hr:168:686865

R. Pintar, "Model autoenkodera za razlikovanje nedonoščadi od novorođenčadi na temelju slika magnetske rezonancije mozga", Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, Zagreb, 2024. Available at: https://urn.nsk.hr/urn:nbn:hr:168:686865

Metadata
TitleModel autoenkodera za razlikovanje nedonoščadi od novorođenčadi na temelju slika magnetske rezonancije mozga
Title (english)An autoencoder model for distinguishing premature infants from newborns based on brain magnetic resonance images
AuthorRea Pintar
MentorJelena Božek (mentor)
Committee memberJelena Božek (predsjednik povjerenstva)
Committee memberSonja Grgić (član povjerenstva)
Committee memberDario Bojanjac (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Electrical Engineering and Computing
Zagreb
Defense date and country2024-09-19, Croatia
Abstract
U ovome radu razmatra se upotreba CNN autoenkodera za razlikovanje terminske novorođenčadi od nedonoščadi na temelju primjene navedenog modela za zadatak detekcije anomalije. U kontekstu rada smatramo slike terminske novorođenčadi kao tzv. "normalne" slike, a nedonoščadi "slike s anomalijom" (ovo odvajanje potrebno je zbog primjene autoenkodera za detekciju anomalije). Korištenjem skupa podataka prikupljenog u sklopu projekta Developing Human Connectome Project (dHCP) te autoenkodera pokušavamo klasificirati slike MR kao terminsku novorođenčad ili nedonoščad. Autoenkoder je treniran koristeći slike terminske novorođenčadi te u fazi testiranja može detektirati anomaliju na slikama nedonoščadi na temelju veže rekonstrukcijske greške, koja ukazuje upravo na razlike u stupnju razvoja. U radu se osvrćemo na izazove koji se pojavljuju tijekom analize kao obrada memorijski većih datoteka poput onih u skupu slika MR te korake predobrade koje iste zahtijevaju. Rezultati su pokazali kako postoji potencijal da autoenkoderi mogu detektirati anomaliju na ovakvim slikama, no performanse modela ovise o kvaliteti podataka te složenosti modela. Unatoč velikom potencijalu, autoenkoderi nisu idealni za samostalnu upotrebu u zdravstvu te se mogu koristiti kao pomoćni alat uz druge tehnologije poput segmentacije. Zajedničko korištenje autoenkodera sa segmentacijskim alatima može poboljšati performanse alata, što može nuditi dublju analizu moždanog razvoja u neonatalnom istraživanju.
Abstract (english)
This thesis explores the use of CNN autoencoders in detecting anomalies in brain MRI scans of term and preterm born infants. By utilizing data from the Developing Human Connectome Project (dHCP) along with autoencoders we are attempting to classify MRI scans of term and preterm infants. The autoencoder is trained on scans of term infants, enabling it to identify anomalies in preterm scans through reconstruction errors that highlight developmental differences. The research addresses the challenges of processing large MRI datasets, requiring significant preprocessing such as image tiling to handle memory limitations. Results show that there is potential that autoencoders can differentiate between normal and anomaly scans, but its performance depends on data quality and model complexity. While autoencoders show great potential in anomaly detection, they are unlikely to achieve perfect accuracy and should be used as complementary tools to segmentation technologies. Combining autoencoders with image segmentation techniques could enhance their effectiveness, offering a more precise analysis of brain development in neonatal research.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:168:686865
Study programmeTitle: Computing
Study programme type: university
Study level: graduate
Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
Type of resourceText
File originBorn digital
Access conditionsClosed access
Terms of useLicence In copyright icon
Public note
Created on2024-10-12 21:52:35