Na této stránce najdete přehled aktuálních výzkumných témat nabízených studentům v rámci činnosti oddělení ODAS. Témata lze realizovat jako seminární práce i jako závěrečné kvalifikační práce. Pokud vás některá oblast zaujme nebo máte vlastní návrh výzkumného tématu, neváhejte nás kontaktovat.
Segmentace a klasifikace alveolárních buněk na snímcích z flexibilní bronchoskopie (doc. RNDr. Zbyšek Posel, Ph.D.)
Cílem práce je otestovat metody a přístupy pro segmentaci alveolárních buněk ze snímků pořízených při flexibilní bronchoskopii a následně metody jejich klasifikace do jednotlivých skupin. Cílem je maximální automatizace celého procesu vyšetření. Testované metody vycházejí zejména z konvolučních neuronových sítí a segmentačních algoritmů typu Watershed. Součástí práce je testování jednotlivých kroků od pořízení a předzpracování snímků přes segmentaci až po klasifikaci.
Řešené práce:
- Segmentace buněk ze snímků pořízených fluorescenčním mikroskopem (Petr Fridrich)
- Segmentace buněk na snímcích z mikroskopu (Bc. Petr Fridrich)
- Segmentace buněk na snímcích z mikroskopu za použití neuronových sítí (Bc. Daniel Zavičár)
- Vytváření bounding boxů ve snímcích buněk pořízených optickým mikroskopem (Petr Kotlan)
Počítačové zpracování elektromyografického signálu (doc. RNDr. Zbyšek Posel, Ph.D.)
Cílem práce je využít metody zpracování elektromyografického signálu (klasické dekompoziční metody nebo metody založené na neuronových sítích) pro rekonstrukci aktivity jednotlivých motorických neuronů z měření pomocí povrchových elektrod. Výsledkem je detailní vhled do funkce vyšetřovaného svalu, který může být přínosný pro lékaře a fyzioterapeuty.
Řešené práce:
- Aplikace rekurentních neuronových sítí pro zpracování elektromyografického signálu (Bc. Daniel Moudrý)
- Aplikace konvolučních neuronových sítí pro zpracování elektromyografického signálu (Bc. Jiří Brož)
- Počítačová dekompozice povrchového elektromyografického signálu (Barbora Ani)
Detekce a odstranění artefaktů ve fyziologických signálech měřených při traumatickém poranění mozku (doc. RNDr. Zbyšek Posel, Ph.D.)
Cílem práce je navrhnout a otestovat přístup pro včasnou detekci artefaktů ve fyziologických signálech měřených při traumatickém poranění mozku a jejich odstranění před výpočtem sledovaných veličin. Jedná se zejména o signály krevního a nitrolebního tlaku využívané pro výpočet cerebrálního perfuzního tlaku. Testovány budou klasické metody zpracování signálu, konvoluční neuronové sítě i predikční metody pro analýzu časových řad.
Řešené práce:
- Počítačová analýza biologických signálů (Vojtěch Stránský)
- Detekce událostí v EKG signálu s využitím vlnkové transformace (Martin Ševčík)
- Včasná detekce artefaktů ve fyziologických signálech (Saliha Afzaal)
- Automatická detekce anomálií a artefaktů v signálech nitrolebního a arteriálního tlaku (Jakub Kopecký)
Aplikace segmentace obrazu ve zdravotnictví (RNDr. Petr Kubera, Ph.D.)
Cílem práce je provést rešerši existujících modelů pro segmentaci obrazu, například U-Net, DeepLabV3+, BESNet, ResUNet, YOLO, aplikovaných na data z RTG a MRI. Práce může zahrnovat zkoumání vlivu preprocesingu na jednotlivé modely nebo jejich vzájemné porovnání pomocí metrik, jako jsou Sørensen–Dice coefficient, Jaccard index. Modely není nutné programovat od základu, využity budou dostupné open-source implementace.
Řešené práce:
- Adéla Svítilová, Jaroslav Radimský
Tvorba modulární aplikace pro rozměřování obrazu na lékařských snímcích (RTG) (RNDr. Petr Kubera, Ph.D.)
Cílem práce je vytvořit prototyp modulární aplikace umožňující automatickou detekci oblastí zájmu na RTG snímcích krční páteře pomocí neuronové sítě (segmentace nebo detekce klíčových bodů) a následné provádění vybraných měření. Součástí bude integrace existujícího AI modelu do samostatné aplikace určené pro běh na osobním počítači. Práce se zaměří na kvantizaci modelu a posouzení jejího vlivu na přesnost a rychlost inference s cílem nalézt vhodný kompromis pro praktické použití. Dílčím cílem je návrh uživatelského rozhraní ve spolupráci s lékařským týmem KZ tak, aby odpovídalo klinickým potřebám a umožňovalo přehlednou vizualizaci i export výsledků měření.
Rešerše a experimentální porovnání modelů pro detekci implantátů na RTG snímcích (RNDr. Petr Kubera, Ph.D.)
Cílem práce je provést rešerši současných metod hlubokého učení pro detekci objektů se zaměřením na detekci implantátů na RTG snímcích. Pozornost bude věnována zejména architekturám typu DETR (Detection Transformer) a dalším moderním detekčním modelům (např. YOLO, Faster R-CNN). Součástí práce bude také systematické vyhledání a analýza volně dostupných datasetů obsahujících RTG snímky s implantáty. Nad těmito datasety bude provedeno základní experimentální porovnání vybraných modelů z hlediska přesnosti a výpočetní náročnosti. Výstupem bude přehledné zhodnocení vhodnosti jednotlivých přístupů pro budoucí využití v medicínském zobrazování.
Analýza šumu v rentgenových snímcích (RNDr. Jiří Škvára, Ph.D.)
Zpracování obrazu obvykle začíná potlačením šumu zvoleného snímku. U rentgenových snímků se vyskytují specifické typy šumu související s metodou snímání, jejichž odstranění je náročné a obtížně ověřitelné pouhou vizuální kontrolou. Cílem práce je explorační analýza dostupných rentgenových snímků se zaměřením na charakterizaci jednotlivých typů šumu a určení jejich procentuálního zastoupení. Výsledky mohou přispět k efektivnějšímu trénování modelů segmentace obrazu.
Vývoj nástroje pro převod mezi formáty vybraných simulačních balíčků (RNDr. Jiří Škvára, Ph.D.)
V oblasti počítačových simulací molekulárních systémů existuje řada simulačních balíčků využívaných k modelování chování molekul v chemických procesech, jako je například čištění vzduchu, separace léčiv a podobně. Chování jednotlivých molekul je v těchto nástrojích popsáno sadou parametrů popisující interakce molekuly s jejím okolím (obvykle nazýváno jako forcefield). Tyto nástroje však často používají nekompatibilní formáty pro popis interakčních parametrů. Cílem práce je navrhnout intuitivní nástroj ve formě webové služby, který umožní převod vstupních formátů mezi jednotlivými balíčky. V případě nekompatibilních parametrů by měl nástroj využívat numerické metody k jejich přepočtu.
Zpracování lékařských zpráv (RNDr. Jiří Škvára, Ph.D.)
Téma se zaměřuje na využití metod textové analýzy pro zjištění sentimentu lékaře v lékařských zprávách, tedy určení, zda se jedná o pozitivní nebo negativní nález. Součástí je také ověření možností extrakce parametrů pacienta pomocí sémantické analýzy nebo jazykových modelů. Pro práci budou využita data dostupná na serveru Kaggle, která kromě textových zpráv obsahují i rentgenové snímky pacientů.
Využití interaktivních technologií pro terapeutické intervence (Ing. Mgr. Pavel Beránek)
Výzkum se zaměřuje na využití interaktivních technologií, zejména videoherních enginů a AI agentů, při vývoji aplikací podporujících terapeutické intervence u pacientů s různorodými obtížemi. Příkladem je využití virtuální reality pro trénink prostorové navigace u pacientů s Alzheimerovou chorobou nebo tvorba animovaného chatbota kombinujícího rozšířenou realitu a velké jazykové modely k podpoře rozvoje komunikačních a paměťových dovedností.
Výzkum využívá nástroje jako Blender, Unity Engine, Unreal Engine a programovací jazyky C# a Python. Klíčovou roli hrají transformátorové modely pro zajištění přirozené interakce a personalizace terapeutických scénářů. Témata jsou vhodná pro studenty se zájmem o vývoj komplexních aplikací s důrazem na uživatelský prožitek a personalizaci.
Řešené práce:
- Vývoj simulátoru hororového zážitku ve virtuální realitě (Michaela Kadlčková)
- VR Therapy: platforma pro trénink kognitivních dovedností pacientů postižených Alzheimerovou nemocí (Bc. Anna Trejdlová)
Modelování a simulace mechanismů vývoje rakoviny a vlivu terapeutické intervence (Ing. Mgr. Pavel Beránek)
V roce 2022 zemřelo na rakovinu přibližně 10 milionů lidí a u dalších 20 milionů byla tato nemoc diagnostikována. Rakovina představuje jednu z nejzávažnějších nemocí současnosti, přičemž počet případů stále narůstá. Mechanismy jejího vývoje však zůstávají z velké části neprozkoumané. Proto vznikl relativně nový vědní obor výpočetní onkologie, jehož cílem je vytvářet a simulovat modely růstu rakoviny a jejich interakce s okolním prostředím.
Tento obor již dosáhl významného pokroku – například simulací vlivu imunoterapie na zastavení rakovinového bujení pomocí diskrétních modelů, jako jsou buněčné automaty a agentové systémy. Přesto však zůstává mnoho neprobádaných oblastí a příležitostí pro inovaci.
Cílem této práce je modelovat, optimalizovat nebo vytvářet nové mechanismy a modely, které dále rozšíří možnosti výpočetní onkologie. To zahrnuje návrh a implementaci modelů růstu rakoviny, analýzu vlivu různých faktorů (např. léčebných metod) na vývoj nádoru a optimalizaci simulací pro lepší predikci chování rakovinných buněk.
Programovací jazyk není pevně stanoven, avšak doporučeným programovacím jazykem je Python kvůli široké škále knihoven pro simulace a datovou analýzu. Téma je vhodné pro studenty se zájmem o biologické procesy, simulace a interdisciplinární výzkum propojující biologii, informatiku a matematiku.
Využití metod strojového učení pro výzkum fázového chování kopolymerních systémů (Ing. Mgr. Pavel Beránek)
Kopolymery představují moderní, na míru připravitelné funkční nanomateriály s širokým potenciálem využití ve zdravotnictví (nosiče léčiv), chemické syntéze (katalyzátory), ochraně životního prostředí (filtrace tekutin) a elektronice (tenkovrstvé tranzistory). Tyto materiály se skládají z molekulárních řetězců s různorodým složením (diblokové, triblokové, gradientní, taperované), rozmanitými architekturami (blokové, hvězdicové, kartáčové) a nacházejí se v různých prostředích (rozpouštědlo, objemová fáze, 2D povrch). Jejich vlastnosti, jako je tuhost jednotlivých bloků nebo polydisperzita, určují jejich fázové chování a tvorbu specifických nanostruktur.
Simulace vývoje těchto nanostruktur se často potýká s omezeními, ať už jde o časovou náročnost nebo přesnost, která závisí na zvoleném modelu měřítkové škály (molekulární dynamika, disipativní částicová dynamika, spojité modely). Cílem tohoto výzkumu je využít pokročilé metody strojového učení k efektivní analýze a predikci chování těchto materiálů. Výzkum zahrnuje klasifikaci potenciálních nanostruktur na základě průběžných fyzikálních dat, shlukování jejich vlastností podle jejich podobnosti i generování umělých dat, která realisticky reprezentují vývoj struktur v simulacích. Tímto přístupem lze zásadně urychlit a zefektivnit výzkum kopolymerů, čímž se otevírají nové možnosti pro jejich praktické využití.
Hlavními nástroji jsou simulační balík LAMMPS a výpočetní klastr grafických karet. Programovací jazyk není pevně stanoven. Tato práce je ideální pro studenty se zájmem o výzkum inovativních témat v oblasti fyziky nanomateriálů, kteří chtějí získat zkušenosti s moderními simulačními technikami, aplikací metod strojového učení a výpočetní fyzikou. Výzkum nabízí příležitost přispět k pokroku v oblasti funkčních nanostruktur a má široké praktické uplatnění.
Řešené práce:
- Predikce vzniku stabilní a metastabilní semiflexibilní diblokové polymerní nanostruktury (David Holý)