Porazdeljeni globoki modeli za izločanje intrakranialnega žilja iz angiogramov

magistrsko delo

Iza Burnik (Avtor), Žiga Špiclin (Mentor), Žiga Bizjak (Komentor)

Povzetek

Anomalije intrakranialnega žilja in z njimi povezane bolezni vsako leto prizadenejo več milijonov ljudi. Natančno in zanesljivo izločanje in vizualizacija intrakranialnega žilja sta zato nujno potrebna v kliničnem okolju, saj pripomoreta k diagnozi bolezni, pregledu statusa in spremljanju poteka bolezni, in pripravi ter načrtovanju kirurških posegov. Z napredovanjem avtomatskih metod na osnovi strojnega učenja je postopek izločanja žilja manj časovno potraten in bolj natančen ter zanesljiv. V magistrski nalogi smo s konvolucijsko nevronsko mrežo U-Net in s pomočjo javno dostopne baze IXI, ki vsebuje 570 3D magnetno resonančnih angiografskih (MRA) slik, načrtovali avtomatski postopek izločanja žilja. Za potrebe vrednotenja avtomatskih postopkov smo ročno pripravili razgradnje intrakranialnega žilja, dodatno smo v približno 80 MRA slikah označili del žilja, ki predstavlja Willisov žilni krog. V eksperimentih smo objektivno in kvantitativno vrednotili in medsebojno primerjali zmogljivosti najsodobnejših postopkov za izločanje žilja. Predlagali smo lokalizirano učenje U-net modelov, vezano na Willisov žilni krog. Na tem področju zanimanja je pojavnost intrakranialnih anevrizem največja. Novi pristop izločanja intrakranialnega žilja kaže signifikantno boljše rezultate stopnje prekrivanja z Dice-Sorensenovim koeficientom (DSC) med referenčnimi ročno izločenimi in avtomatsko izločenimi žilji v primerjavi s trenutno uveljavljenimi postopki v znanstveni literaturi. Povprečne vrednosti DSC smo določili z navzkrižnim vrednotenjem na IXI bazi MRA slik. Maksimalna povprečna vrednost DSC je dosegla 0.9478, kar je glede na najboljši primerljiv rezultat v znanstveni literaturi več kot 1 % izboljšanje. Za namene nadaljnjih raziskav in vrednotenja postopkov izločanja žilja smo oblikovali tudi bazo podatkov imenovano IXI-Angio, ki vsebuje 570 referenčnih razgradenj intrakranialnega žilja MRA slik v bazi IXI.

Ključne besede

izločanje intrakranialnega žilja;globoko učenje;Willisov krog;ročna frekvenčna razgradnja;objektivno vrednotenje;magisteriji;

Podatki

Jezik:	Slovenski jezik
Leto izida:	2021
Tipologija:	2.09 - Magistrsko delo
Organizacija:	UL FE - Fakulteta za elektrotehniko
Založnik:	[I. Burnik]
UDK:	004.93:61(043.3)
COBISS:	83851523
Št. ogledov:	187
Št. prenosov:	28
Ocena:	0 (0 glasov)
Metapodatki:

Ostali podatki

Sekundarni jezik:	Angleški jezik
Sekundarni naslov:	Stratified deep models for intracranial vessel segmentation from angiograms
Sekundarni povzetek:	Intracranial vascular abnormalities and related diseases affect millions of people each year. Accurate and reliable extraction and visualization of intracranial vessels are therefore essential in the clinical setting. Vessel extraction of segmentation may enhance the diagnosis of the disease, its status assessment and longitudinal monitoring, and surgery planning and preparation. With the advancement of automatic methods based on machine learning models, the process of vessel segmentation is less time-consuming and, at the same time, more accurate and reliable. In this thesis, we explored the field of vascular extraction with deep learning methods, such as the U-Net convolutional neural network and a publicly accessible IXI database, which contains 570 3D magnetic resonance angiography (MRA) scans. For evaluation purposes, we have manually segmented the intracranial vessels in these scans. Additionally, in about 80 scans the circle of the Willis region was annotated. In the experiments, we performed an objective and quantitative evaluation and cross-comparison of state-of-the-art vessel segmentation methods. We proposed a novel approach based on localized U-net model learning anchored to the circle of Willis since there is the highest incidence of intracranial aneurysms. According to the overlap between the reference and obtained automatically segmentations quantified using the Dice-Sorensen coefficient (DSC), the proposed approach to intracranial vascular segmentation shows significantly higher values compared to the current state-of-the-art approaches. The average DSC values were computed using cross validation and obtained a DSC of 0.9478, which exceeds the values of the state-of-the-art result by more than 1 %. For research purposes and further validation of vessel segmentation methods, we also prepared a database called IXI-Angio, which contains the 570 manually created reference segmentations of the intracranial vessels in MRA images of the IXI dataset.
Sekundarne ključne besede:	intracranial vessel extraction;deep learning;circle of Willis;manual reference segmentation;objective evaluation;
Vrsta dela (COBISS):	Magistrsko delo/naloga
Študijski program:	1000316
Konec prepovedi (OpenAIRE):	1970-01-01
Komentar na gradivo:	Univ. v Ljubljani, Fak. za elektrotehniko
Strani:	XXII, 106 str.
ID:	14196162