Meno:Terézia
Priezvisko:Koleková
Názov:Využitie semi-supervised learningu v binárnej klasifikácii MRI snímok mozgu na základe prítomnosti lézií bielej hmoty
Vedúci:doc. RNDr. Zuzana Černeková, PhD.
Rok:2026
Kľúčové slová:semi-supervised learning, MRI mozgu, detekcia lézií bielej hmoty, Mean Teacher, hlboké učenie
Abstrakt:Táto diplomová práca sa zaoberá klasifikáciou lézií bielej hmoty na magnetickej rezonancii mozgu s využitím semi-supervised learningu, ktorý kombinuje označené a neoznačené dáta. Cieľom práce bolo navrhnúť, implementovať a porovnať viacero moderných prístupov strojového učenia na 3D medicínskych objemoch a zhodnotiť ich vhodnosť pre klinicky orientovanú klasifikačnú úlohu. V experimentálnej časti boli analyzované konvolučné aj transformerové architektúry v kombinácii s metódami Mean Teacher, FixMatch a Offline Self-Training. Hodnotenie prebiehalo pomocou štandardných klasifikačných metrík vrátane ROC AUC, F1 skóre, senzitivity, špecificity a MCC pri optimalizovanom aj jednotnom rozhodovacom prahu. Výsledky ukázali, že najvyššiu diskriminačnú schopnosť dosiahli 3D modely, pričom Swin3D dosiahol najlepšie ROC AUC, no vyžadoval dôslednú kalibráciu rozhodovacieho prahu. Z pohľadu robustnosti a praktickej použiteľnosti sa ako najstabilnejší ukázal model EfficientNet-B0 v režime Mean Teacher. Práca zároveň preukázala, že metóda Mean Teacher bola v danom scenári spoľahlivejšia než FixMatch a Offline Self-Training. Dôležitou súčasťou bolo aj vysvetlenie rozhodovania modelov pomocou metód Grad-CAM, Occlusion Sensitivity a LIME, ktorých úlohou bolo potvrdiť klasifikovanie podľa lézií alebo iných markerov. Získané poznatky poukazujú na potenciál semi-supervised learningu pri analýze MRI a zároveň identifikujú limity, najmä pri hraničných prípadoch s veľmi drobnými léziami.

Súbory diplomovej práce:

Využitie semi-supervised learningu v binárnej klasifikácii MRI snímok mozgu na základe prítomnosti lézií bielej hmoty.pdf
prílohy.zip

Súbory prezentácie na obhajobe:

Upraviť