Segmentacija ledvenih vretenc v računalniško tomografskih slikah hrbtenice z uporabo globokih implicitnih statističnih modelov oblike
Year: 2024
Type: dissertation
Abstract: Slikanje hrbtenice je neprecenljivo orodje za vizualizacijo in oceno bolezenskih stanj hrbtenice. Ključna osnova za kvantitativno analizo medicinskih slik, ki je pomembna za klinično diagnozo in načrtovanje operacij hrbtenice, je razgradnja oziroma segmentacija vretenc na slikah računalniške tomografije (CT). Čeprav pri razgradnji medicinskih slik na splošno prevladujejo konvolucijske ali na transformerjih osnovane nevronske mreže, pri čemer je pogosto uporabljena arhitektura U-Net, lahko alternativne metodologije ponudijo potencialne prednosti. Med obetavne pristope spadajo globoki implicitni statistični modeli oblik (DISSM). Prednosti tega pristopa so ustvarjanje visokokakovostnih površin brez artefaktov diskretizacije, zagotavljanje anatomsko smiselnih oblik in upoštevanje biološke variabilnosti oblike. Metoda DISSM je sestavljena iz dveh ključnih delov: dekoderja oblike in enkoderja za napoved položaja. Dekoder oblike se na impliciten način uči statističen model oblike, ki v obravnavanem primeru opisuje anatomsko smiselne oblike ledvenih vretenc, medtem ko enkoder za napovedovanje položaja omogoča natančno določanje položaja vretenc v tridimenzionalnem (3D) prostoru CT-slike z uporabo linearne preslikave, ki zajema translacijo, izotropno skaliranje in rotacijo, ter nelinearne preslikave, ki omogoča fino prilagajanje oblike z uporabo analize glavnih komponent (PCA). V zaključni nalogi raziskujem uporabo in nadgradnjo metode DISSM za razgradnjo ledvenih vretenc na dveh podatkovnih zbirkah: VerSe2020 in Colonog-CTSpine1K, ki skupaj vsebujeta 920 3D-CT-slik in pripadajočih razgradenj vretenc. Ta pristop ponuja novo orodje za izboljšanje natančnosti in robustnosti razgradnje vretenc, zlasti v zahtevnih primerih, na primer ko zaradi slabe kvalitete CT-slik klasične metode razgradnje odpovejo. Tehnike predobdelave in učenja temeljijo na odprtokodnem programskem paketu AshStuff/dissm z dopolnitvami in izboljšavami. Za vrednotenje rezultatov sem uporabili tri uveljavljene metrike na področju semantičnih razgradenj: Diceov koeficient podobnosti (DSC), 95. percentil Hausdorffove razdalje (HD95) in povprečno simetrično površinsko razdaljo (ASSD). Metoda doseže sledeče rezultate: DSC 87,4 ± 2,6 %, HD95 2,73 ± 0,94 mm in ASSD 0,82 ± 0,20 mm.
Author: Ocepek, Domen
Language: Slovenian
Topic: Medical Imaging and Analysis
Subfield: Biomedical Engineering
Field: Engineering
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7005771166
