Predikce parametrů aterosklerotického plátu z in-vivo ultrazvukových obrázků karotidy

Abstract

Hlavním cílem moje bakalářské práce je predikce parametrů aterosklerotického plátu jako jsou echogenita, homogenita a procento stenózy z in-vivo ultrazvukových obrázků karotidy pomocí metod hlubokého učení. ResNet 34 a DenseNet 161 architektury byly navrženy. Inovační strategie Context restoration byla implementována za účelem získání vhodných parametrů pro inicializaci modelů. Byly implementovány tři architektury schopné provádět fúzi ultrazvukového obrázku a odpovídající segmentace. Nejlepší výsledky predikce echogenity a homogenity byly dosaženy metodou fúze ultrazvukového obrázku a segmentace a jsou rovny 75% a 87% korelace.

The main goal of my bachelor thesis is to predict atherosclerotic plaque parameters such as echogenicity, homogeneity and degree of stenosis from in-vivo ultrasound carotid artery images using deep-learning methods. ResNet 34 and DenseNet 161 models were proposed as deep learning architectures. A novel context restoration strategy was successfully implemented in order to obtain good initialization parameters for target task models. Three architectures able to conduct fusion of ultrasound image and corresponding segmentation were designed. The best performance for echogenicity and homogeneity prediction has been achieved using ultrasound and segmentation images fusion and are equal to 75 % and 87 % correlation respectively.