Képfeldolgozáson alapuló orvosi diagnosztikai eljárások kidolgozása

OData támogatás
Konzulens:
Dr. Horváth Gábor
Méréstechnika és Információs Rendszerek Tanszék

Képek alapján történő diagnosztika számos orvosi rutinvizsgálat része. A mellkas (tüdő) röntgenképek alapján történő diagnosztizálásának egyik új lehetősége a mellkas tomoszintézis (DTS). Ennek során a vizsgált páciensről több tíz (40-60) röntgenfelvétel készül korlátozott szögtartományból, melyek alapján a CT vizsgálatoknál alkalmazott digitális képrekonstrukciós eljárásokhoz hasonló eljárásokkal a mellkas coronalis síkmetszetei meghatározhatók. A metszeti képek részletgazdagsága, diagnosztikai értéke (érzékenysége) messze meghaladja a klasszikus PA felvételek diagnosztikai értékét, miközben a pácienst érő sugárdózis nagyságrendekkel kisebb, mint a CT vizsgálat sugárdózisa és csupán néhányszorosa a PA felvételek sugárdózisának. A szűrővizsgálat során a rekonstruált metszeti képeken kóros elváltozásra (pl.TBC-re vagy rosszindulatú daganat jelenlétére) utaló jeleket kell keresnünk, és minél nagyobb találati pontossággal felismernünk.

Aktuális orvosi tanulmányra támaszkodva  DTS felvételek esetén a korai, tüneteket még nem okozó stádiumú (ezek főleg a kisméretű) tumoros elváltozásokat a szakorvosok 51%-os érzékenységgel detektálják, míg egy, a páciensről készült CT rekonstrukció kiértékelése után ezen elváltozások 91%-át sikerül a tomoszintézis rekonstruált szeleteken is azonosítani. [33]

A már létező digitális képfeldolgozó eljárások remek lehetőséget nyújtanának ennek a feladatnak az elősegítésében, azonban ismeretem szerint jelenleg nem található a piacon semmilyen DTS-t megcélzó megoldás.

Diplomamunkám során egy számítógépes képfeldolgozó alkalmazás kísérleti példányát terveztem, és implementáltam. Ezen feladat megoldásához mély neurális hálót használtam. A rendszer kialakításához, és előrzéséhez 8 valódi betegről és 1 fizikai szimulált elváltozásokat tartalmazó antropomorf fantomról készült mellkas DTS felvétel állt rendelkezésre. A neurális háló megvalósításához a Tensorflow keretrendszert használtam. A képfeldolgozást konvolúciós hálózattal valósítottam meg, a tanításhoz pedig a transfer learning módszert. Ezzel a módszerrel 90%-os érzékenység mellett, képenként átlagosan 15 fals-pozitív bejelölést eredményez a rendszerünk. A rendelkezésre álló kevés DTS felvétel miatt a kialakított rendszer validációjának eredményei fenntartásokkal kezelendőek.

Letölthető fájlok

A témához tartozó fájlokat csak bejelentkezett felhasználók tölthetik le.