Szív MR képek automatikus kontúrozása Deep Learning-gel

OData támogatás
Konzulens:
Budai Ádám
Automatizálási és Alkalmazott Informatikai Tanszék

Szakdolgozat témám azért választottam, mert érdekel a Deep learning témakör és szeretnék minél jobban elmélyülni benne. Témaválasztáskor figyelembe vettem, hogy kevés ismeretem van az orvostudomány terén és az orvosi szoftverek automatizálásában. Érdekesnek és jó lehetőségnek találtam, hogy ezen ismereteimet is fejleszthetem. Emiatt esett választásom erre a feladatra.

A probléma összetett, az orvostudományban még nincs egy egységes elfogadott megoldás, ami szív MR képeket szegmentálna. Természetesen vannak már különböző (rész) megoldások, ezek adtak egy kiindulást számomra, hogy milyen irányba érdemes elindulnom.

E dokumentum ismerteti olvasójával többek között a Deep learning alapfogalmait, technológiát mellyel meg lehet oldani ilyen típusú problémákat és már ismert szív MR kép szegmentációk részeredményeit mutatja be. Ezen ismereteken kívül szembesít a főbb problémákkal, amikre megoldást kell keresnem, majd a konkrét megoldásom is bemutatásra kerül. Kétféle úton is megoldottam a feladatot, ezek közül a második módszer az, amely elég pontos eredményeket adott (ROI-B). Az eredményeknél kiértékelem még a modellek pontosságát tanítás alatt.

Ebben a szakdolgozatban leírtak alapján, összeállítható egy olyan neurális hálózat architektúra, mellyel igen pontos (átlagosan körülbelül 6 pixelnyi a hibatávolság a prediktált és valós eredmények között, egy pixel 1.3-1.7 milliméternek felel meg, ezek alapján 10.2 mm az átlagos hibatávolság) közelítést lehet adni szív MR felvételeken a szívre nagyított régióra. Ez nagy segítséget tud adni a szegmentáció előkészítéséhez.

Letölthető fájlok

A témához tartozó fájlokat csak bejelentkezett felhasználók tölthetik le.