Szegmentáció alakmodell és neurális hálózat kombinációjával

Napjainkban, a képfeldolgozás területén előforduló szegmentációs problémák esetén két eltérő apparátus megközelítéseit alkalmazzák: a szakértői képfeldolgozáson, illetve a tanuló rendszereken alapuló megoldásokat. A szakértői képfeldolgozást alkalmazó szabály-, illetve modell-alapú rendszerek hatékonyan képesek felhasználni a problémáról rendelkezésre álló a priori információkat, azonban a robusztus működés és nagy pontosság elérése nehezen biztosítható a bonyolultabb feladatokon. A valós esetekben előforduló problémákra gyakran nehéz olyan szabályrendszert létrehozni, illetve olyan előfeltételezésekkel élni, amik valóban pontosan csak a leírni kívánt sokaságra illeszkednek, hiszen jellemzően mind a felvételek, mind a szegmentálni kívánt alakzatok viszonylag nagy varianciával rendelkezhetnek. Az egyre népszerűbb, újabb megközelítés a neurális paradigmára, és a minta alapú tanulásra épít, mely az utóbbi időben számos benchmark probléma esetén jobb minőségű megoldást tett lehetővé a szakértői algoritmusokon alapuló megközelítésekkel szemben. Sajnos azonban a módszercsalád több gyengeséggel is rendelkezik. Ezek közül a legfontosabbak, hogy a neurális hálózatok alapvetően pontbecslést végző eszközök, ezáltal kimeneteik jellemzően rosszul magyarázhatóak, az általuk elkészített szegmentációk alapvető alakiságra vonatkozó kritériumoknak (például egy összefüggő komponens) sem felelnek meg, ráadásul a hibák automatikus detekciója, jellemző hibamódok felderítése is nehéz feladat. További hátrányuk a sokszor irreálisan magas mintaigényük, ezáltal a megfelelő prediktív teljesítmény eléréséhez sok gyakorlati feladat esetén nem áll rendelkezésre elegendő minta, a különböző forrásból származó adatokhoz kapcsolódó tudás transzfer pedig különösen nehéznek tekinthető.

A dolgozat célja egy olyan megközelítés bemutatása egy, az orvosi képfeldolgozás területén felmerülő konkrét, gyakorlati relevanciával bíró problémára, mely elegyíti a szakértői képfeldolgozás és neurális módszerek előnyeit, valamint konkrét feladat szerint adaptálva alkalmas a területen előforduló egyéb problémák hatékony megoldására is. Az módszer szakértői képfeldolgozáson alapuló lábát az Active Shape Modellek (ASM) adják, mely inicializációs lépését és a képhez történő pontosabb igazítását neurális hálózat végzi. Ezen integráció során a robusztusság biztosítása és a kívülről érkező tudás beépítése érdekében az iterációk folyamán egy kvadratikus programozáson alapuló optimalizációs algoritmust vezetünk be. Az általunk javasolt módszert PA mellkas röntgenfelvételeken szív árnyékának szegmentálásán vizsgáljuk. A feladatra ismert jelenlegi state-of-the-art módszereket a saját megoldásunkkal összehasonlítva úgy találjuk, hogy a modell robusztussága, és adathalmazok közötti általánosítóképessége túlszárnyalja a tisztán neurális megközelítésekét. A dolgozatban továbbá megvizsgáljuk, hogy más (esetünkben MRI) modalitással készült felvételek szegmentációi alapján hogyan lehetséges a megoldásunk finomítása, pontosságának javítása.

szerző

• 
  Tumay Ádám
  Mérnök informatikus szak, mesterképzés
  mesterképzés (MA/MSc)

konzulens

• 
  Hadházi Dániel
  tudományos segédmunkatárs, Méréstechnika és Információs Rendszerek Tanszék