Biomedical Image Analysis using Deep Neural Networks

Abstract

The use of machine learning is very prevalent now-days and more new applications are continuously discovered. One of the prominent paradigms in computer vision are Convolutional Neural Networks (CNN). The purpose of this thesis is to introduce the topics of machine learning, convolutional neural networks and to test and evaluate experimental deep neural network architectures on functional Magnetic Resonance Images (fMRI). A series of various multi-layer CNN architectures with alternating hyper-parameters was tested against two well-known benchmark problems in the area of image classification: MNIST, CIFAR-10. The models' capacity was also evaluated against a real-world dataset of fMRI images. The network's model was rebuilt with each test run, rotating between the possible configurations. The proposed models, while performing relatively well on benchmark problems, were not able to surpass the current state of the art in brain image classification. To achieve possibly better results, they would need to be expanded to allow a broader set of features to be absorbed and classified. Also the limitations of the used hardware and the resulting impact were established. Based on the empirical results, it can be concluded that CNN are a viable tool for image pattern recognition.

Využívanie strojového učenia je v dnešních dňoch veľmi rozšírené a stále nové využitia sú postupne objavované. Jedno z prominentných paradigmat v strojovom videní sú konvolučné neurónové siete (CNN). Účelom tejto práce je priblížiť témy strojového učenia, konvolučných neurónových sietí a otestovať a vyhodnotiť experimentálne architektúry konvolučných neurónových sietí na obrazoch funkčnej magnetickej rezonancie (fMRI). Séria rôznych viac-vrstvových CNN architektúr s alternujúcimi hyper-parametrami bola testovaná na dvoch všeobecne známych vzorových úlohách z oblasti klasifikácie obrazov: MNIST, CIFAR-10. Schopnosti modelov bol vyhodnotené na skutočnných fMRI obrazoch. Model siete bol znovu vytvorený s každým testom, obmieňajúc možné konfigurácie. Navrhnuté modely vykazovali relatívne dobé výsledky na vzorových úlohách, ale neboli schopné prekonať súčasný stav vedy v klasifikácií obrazov mozgu. K získaniu možných lepších výsledkov, by bolo nutné ich rozšíriť, aby boli schopné absorbovať a rozlišovať medzi väčšie množstvo atribútov. Takisto bolo zistené limity použitého technického vybavenia a obmedzenia z nich vyplývajúce. Vychádzajúc z emprických výsledkov je možné vyhodnotiť CNN ako vhodný nástroj pre nachádzanie vzorov v obrazových dátach.