Gerinc CT felvételek szegmentálása hibrid konvolúciós neurális hálózat segítségével
A gerincproblémák diagnosztizálásának egyik leggyakrabban használt módszere a gerinc CT felvételek elemzése. A diagnózis felállítása során az orvosok több kulcsfontosságú tényezőt és jellemzőt vizsgálnak meg, hogy átfogó képet kapjanak a páciens állapotáról. Ilyen például a csontszerkezet integritásának vizsgálata. Ez a folyamat egyszerű diagnózisoknál is sok időt vehet igénybe, komplex esetekben (többszörös sérülés, korábbi műtétek ellenőrzése) pedig jelentősen megnőhet a felvételek elemzésével töltött idő. Trauma esetén gyakran sürgős beavatkozás szükséges, így a folyamat felgyorsítása életmentő lehet. A csigolyák mérete és alakja a gerinc mentén folyamatosan változik. A felvételek minősége és a páciensek egyedi genetikai jegyei miatt szakértői megoldások használata nehéz, jellemzően csak a végeredmény minőségének romlása mellett lehetséges. Emiatt a probléma megoldására egy gépi tanulásos módszert javaslok, amihez megfelelően annotált adathalmazok szükségesek. Több kétdimenziós szegmentáló módszer is elérhető elfogadható teljesítménnyel, ezek viszont nem tudják kihasználni a háromdimenziós CT felvételek térbeli információit. Az elérhető háromdimenziós modellek számítási igénye hatalmas, így az ilyen neurális hálózatok tanítása és használata magas költségekhez és hosszú futásidőhöz vezet.
Dolgozatomban a gerinc szegmentálására egy hibrid U-Net modellt vizsgálok meg, ami kétdimenziós előfeldolgozás segítségével redukálja az információt a háromdimenziós modell gyorsabb és pontosabb tanítása érdekében. Az implementált eljárást a kutatási célokra elérhető VerSe 2019 adathalmazon értékelem ki, majd hasonlítom össze egy "state of the art" konvolúciós neurális hálózat eredményeivel.
szerző
-
Bálint Marcell
Villamosmérnöki szak, alapképzés
alapképzés (BA/BSc)
konzulensek
-
Dr. Hullám Gábor
docens, Méréstechnika és Információs Rendszerek Tanszék -
Révy Gábor
doktorandusz, Méréstechnika és Információs Rendszerek Tanszék
