Prejsť na obsah
dizertácie

Dovoľujeme si oznámiť, že dňa

30. augusta 2021 o 15.00 hod.

sa uskutoční na Fakulte informatiky a informačných technológií STU v Bratislave
obhajoba dizertačnej práce formou online prenosu v systeme WEBEX na linke: bit.ly/38khe4A

Ing. Lukáš Hudec

Názov dizertačnej práce:
Analýza a syntéza textúry s použitím neurónových sietí
Texture analysis and synthesis using neural networks

Odbor: 18. Informatika

Školiteľ: doc. Ing. Vanda Benešová, PhD. – FIIT STU v Bratislave

Oponenti dizertačnej práce:
prof. Ing. Jarmila Pavlovičová, PhD. – FEI STU v Bratislave
dprof. Mgr. Ivan Cimrák, Dr. – FRI ŽU v Žiline

Abstrakt:

Štruktúry a textúra tvoriace rôzne vzory na povrchu objektov sú významnými vizuálnymi vlastnosťami, ktoré pomáhajú človeku pri vnímaní a rozpoznávaní reálneho aj virtuálneho sveta okolo neho. Analýza týchto štruktúr výrazne prispieva pri automatickom spracovaní scény metódami počítačového videnia. Podobnosť vzorov rôznych textúr a rozdielnosť štruktúr rovnakých materiálov (mramor, drevo, srsť, ...) zvyšuje náročnosť riešenia tohto problému. Úspešné metódy analýzy textúr sú však využiteľné aj v patológií, kde snímky tkaniva pripomínajú textúru. Podľa výsledkov v literatúre, potenciál pre zlepšenie analýzy a syntézy textúr je nutné hľadať v metódach hlbokého učenia, neurónových sieťach. V tejto práci sa venujeme trom oblastiam spracovania textúr. V prvej časti sa zameriavame na všeobecnú analýzu podobnosti = klasifikáciu a reprezentáciu príznakov neurónovými sieťami. Dosiahnuté najlepšie výsledky, všeobecné skúsenosti s klasifikáciou textúr aplikujeme v syntéze pre rozpoznanie reálnych a generovaných textúr a na analýzu histologických dát. Úspešnosť našich prístupov overujeme na verejných datasetoch a porovnávame s najmodernejšími metódami. Výsledky našich prístupov dosahujú úroveň najmodernejších metód, alebo prispievajú k interpretovateľnosti rozhodnutí neurónových sietí. Naše výsledky poukazujú na veľkú silu hlbokého učenia a jeho potenciál pri spracovaní textúr s rôznou úrovňou heterogenity. Navrhnuté modely neurónových sietí pre podporu diagnostiky rakoviny dokážu detegovať diagnosticky významné oblasti. Poukazujú tiež, že pre pochopenie lekárom je potrebné naraz spracovať a prezentovať veľké oblasti, ktoré obsahujú oblasti tkaniva s kontextom aj detailami štruktúr, väčšie ako jednoduchá sieť dokáže vyhodnotiť, s ďalším rozšírením o interpretovateľnosť jej predikcií a rozhodnutí.

The structures and textures form the various patterns on the surface of objects. The analysis of these structures significantly contributes to the automatic processing of the scene by computer vision methods. The similarity of different textures and the structural variability in some materials (marble, wood, fur, . . . ) increase the difficulty of this problem. Modern texture analysis methods can be applied in digital pathology, where tissue scans structures resemble textures. According to the literature, the potential for improving the analysis and synthesis of textures are mostly the deep learning methods, neural networks. This paper presents a modern approach contributing to three areas of texture processing. The proper neural network architecture can determine the similarity of texture patches and represent extracted features in its own latent space. The similarity and dissimilarity classification of textures is applied in synthesis to recognize real and generated textures, and further exploited in analysis of histological data. We measure the success of our approaches on public datasets and compare them with state-of-the-art methods. Our approaches achieve the level of state-of-the-art methods or contribute to the interpretability of neural network decisions.
Our results contribute to the proof of the incredible power of deep learning and its potential in processing textures with different levels of heterogeneity. The proposed models of neural networks for support of cancer diagnostics can detect diagnostically interesting regions. They also point out that for histologists to understand the predictions of neural networks, it is necessary to process and present large tissue areas with context and detail, even larger than a simple network can evaluate, with further extension to the interpretability of network predictions and decisions.

Autoreferát dizertačnej práce zaslaný do vedeckého časopisu Information Sciences and Technologies - Bulletin of ACM Slovakia.

Dizertačná práca je k nahliadnutiu na Študijnom oddelení FIIT STU.