Analysing Videokymograms Using Classical and Deep Learning Methods

Abstract

Název práce: Analýza videokymogramů pomocí tradičních metod a metod hlubokého učení Autor: RNDr. Aleš Zita Katedra: Ústav teorie informace a automatizace, Akademie věd České republiky Vedoucí disertační práce: Prof. Ing. Jan Flusser, DrSc., Oddělení zpracování obrazové informace Abstrakt: Videokymografie (VKG) patří do skupiny medicínských zobrazovacích technik umožňujících vizualizaci funkce lidského hrtanu. Snímky pořízené touto technikou jsou optimální pro zpracování pomocí automatických metod. V posledních několika letech se zvýšil výkon systémů hlubokých neuronových sítí natolik, že v některých oblastech překonávají lidské experty v rychlosti i přesnosti vyhodnocování. Tato disertační práce se zaměřuje na pokračující vývoj automatické analýzy VKG dat a zkoumá možnosti propojení klasického přístupu ke zpracování videokymografického obrazu s moderními metodami počítačového vidění. Klíčová slova: Videokymografie, medicínské zobrazovací metody, digitální zpracování obrazu, počítačové vidění, strojové učení 1

Title: Analysing Videokymograms Using Classical and Deep Learning Methods Author: RNDr. Aleš Zita Institute: Institute of Information Theory and Automation, the Czech Academy of Sciences Supervisor: Prof. Ing. Jan Flusser, DrSc., Department of Image Processing Abstract: Videokymography (VKG) belongs to a family of medical imaging techniques capable of human larynx function visualization. Images produced by this method are ideal for automatic processing. In the last few years, the performance of deep learning systems increased significantly. In some areas, the machine learning approach exceeds the human experts in speed and accuracy. This doctoral thesis focuses on the continuous development of VKG image automatic analysis and touches on the possibility of con- necting the classical approach to Videokymographic image processing with the modern computer vision approach. Keywords: Videokymography, Medical Imaging, Digital Image Processing, Computer Vision, Machine Learning 1