Ocena artrozy stawu biodrowego na podstawie analizy obrazów RTG sąsiednich kości

Praca inżynierska, w której celem było zbadanie korelacji między zmianami kości sąsiadujących ze stawem biodrowym a jego degeneracją. Podczas pracy stosowałem różne techniki normalizacji danych, dopasowania rozmiaru obrazów, sieci konwolucyjne oraz techniki uczenia głębokiego, w celu uzyskania jak najlepszych wyników klasyfikacji artrozy.

Udało mi się wykazać, że występuje korelacja pomiędzy badanymi obszarami, a artrozą co otwiera pole do wnioskowania o niej bez użycia bezpośrednich zdjęć.

Aktualnie kontynuuję badania w tym zakresie w celu napisania artykułu na konferencję biomedyczną.

Badane obszary
Badane obszary
Siec neuronowa
Schemat zaproponowanej sieci

CornHub: Zestaw danych do segmentacji instancyjnej kolb kukurydzy

CornHub to zestaw danych zawierający kolby kukurydzy i odpowiadające im maski w rzeczywistych warunkach polowych. Zawiera 304 obrazy RGB w wysokiej rozdzielczości.

Może być używany do trenowania i oceny modeli segmentacji instancyjnej, czy detekcji obiektów w wizji komputerowej, szczególnie w rolnictwie, oraz przy pracach naukowych w tych dziedzinach.

Zbiór można znaleźć pod jednym z dostępnych linków:

Zenodo
Kaggle
PapersWithCode
Thumbnail
Zdjęcie i maska (obraz poglądowy)

BobRoss ProGAN

Generacyjna sieć neuronowa tworząca obrazy w stylu Boba Rossa. Oparta jest o metodę Progressive-GAN, tworzącej obrazy o stopniowo coraz większej rozdzielczości. Sieć została zaimplementowana od podstaw oraz została wyszkolona na zestawie 5 tysięcy obrazów, namalowanych w stylu artysty.

GitHub Link
Siatka wygenerowanych obrazów
Siatka wygenerowanych obrazów
Proces uczenia sieci

NeuroUtils

Biblioteka programistyczna skupiona na automatyzacji zadań i zarządzaniem projektami, związanych z wizją komputerową i uczeniem głębokim.

GitHub Link
Logo biblioteki
Logo biblioteki
Idea dzialania
Idea dzialania

Cifar10 - human accuracy

Projekt skupiony na wykorzystaniu w praktyce biblioteki NeuroUtils w celu zarządzania projektem.

Obejmował zaimplementowania własnej architektury sieci konwolucyjnej wraz z technikami optymalizacji uczenia, w celu osiągnięcia dokładności 94%, czyli dokładnie takiej jaką osiąga przeciętnie człowiek na zbiorze Cifar10.

GitHub Link
Conf_matrix
Macierz pomyłek modelu
Model_pdf
Podsumowanie modelu