04756ntm a22006257i 4500 000727625 CZ-PrVSE 20260201122909.0 m d cr n|||||||||| 260201s2025 xr fsbm 000 0 cze d NEZPRACOVANÝ IMPORT ABA006 cze ABA006 ABA006 rda Matějka, Jiří ISIS:155664 dis Application of machine learning for scoliosis detection from medical images eng Využití strojového učení pro rozpoznávání skoliózy z lékařských snímků / Jiří Matějka 2025 ?? stran : digital, PDF soubor Vedoucí práce: Miroslav Vacura Diplomová práce (Ing.)—Vysoká škola ekonomická v Praze. Fakulta informatiky a statistiky, 2026 Obsahuje bibliografii Textový (vysokoškolská kvalifikační práce) Rok obhajoby 2026 Diplomová práce se zabývá využitím metod strojového učení pro rozpoznávání skoliózy z rentgenových snímků lidské páteře. Hlavním cílem práce je natrénovat a experimentálně ověřit model strojového učení klasifikující takové snímky do dvou tříd: normální nález a nález skoliózy. Práce sestává z šesti hlavních částí. První a druhá část popisují anatomii a fyziologii páteře a patofyziologii skoliózy. Třetí část se zaměřuje na teorii umělé inteligence a strojového učení, s důrazem na konvoluční neuronové sítě, které jsou využity pro trénování modelů strojového učení další části práce. Čtvrtá část se věnuje trénování a porovnání modelů konvolučních neuronových sítí, přičemž je zkoumán vliv různých hyperparametrů na výkonnost modelů, a vybrán model s nejlepšími výsledky. Pátá část práce popisuje návrh a implementaci jednoduché aplikace určené pro lékaře, která jim umožňuje využít natrénovaný model v praxi, a tak získat informace o reálné využitelnosti modelu. Poslední část práce se zabývá zpracováním dat získaných při klinickém testování této aplikace v praxi rehabilitační ambulance. Výsledkem je natrénovaný model vykazující dobré klasifikační schopnosti, který je schopen správně rozlišit, zda předložený rentgenový snímek páteře zachycuje fyziologicky rovnou páteř nebo páteř s nálezem skoliózy. V rámci klinického testování byl, během vyhodnocení funkčnosti modelu, identifikován významný nedostatek trénovacího vstupního datasetu, totiž skutečnost, že snímky zdravých páteří byly obvykle oříznuty pouze na samotnou oblast páteře, zatímco snímky se skoliózou často zahrnovaly širší anatomické struktury, například hrudní koš či pánev. Další nesoulad byl zjištěn při hodnocení mírných forem skoliózy: některé snímky označené modelem jako zdravé byly Rozdíl ve formátu snímků a v pojetí diagnostických kritérií významně ovlivňuje schopnost modelu generalizace a omezuje jeho využitelnost v klinické praxi. Proto je navrženo sjednocení formátu vstupních snímků a zpřesnění jejich klasifikace jako krok ke zvýšení robustnosti a validity modelu. Způsob přístupu: Internet kognitivní informatika [obor dipl. práce] diplomové práce fd132022 czenas master's theses eczenas TensorFlow rentgen skolióza Python Keras páteř umělá inteligence strojové učení konvoluční neuronové sítě Vacura, Miroslav mzk2006343245 ths Flusser, Jan opn Vysoká škola ekonomická v Praze. Fakulta informatiky a statistiky kn20010709399 dgg https://insis.vse.cz/zp/89935/podrobnosti VŠKP v InSIS https://insis.vse.cz/zp/89935 Hlavní práce https://insis.vse.cz/zp/89935/posudek/vedouci Hodnocení vedoucího https://insis.vse.cz/zp/89935/posudek/oponent/88921 Oponentura https://insis.vse.cz/zp/89935/priloha/32810 Přiloha k práci https://insis.vse.cz/zp/89935/priloha/32811 Přiloha k práci https://insis.vse.cz/zp/89935/priloha/32812 Přiloha k práci https://insis.vse.cz/zp/89935/priloha/32813 Přiloha k práci https://insis.vse.cz/zp/89935/podrobnosti dc:identifier NEPOSILAT VSKP vse89935 260123 89935