Segmentace obrazu histologie aterosklerotických plátů

Abstract

Cíle mé bakalářské práce jsou segmentovat obraz histologie aterosklerotických plátů na specifické oblasti (lumen, krvácení, kalcifikace, fibrózní vazivo, ateromová tkáň) a nahrání vytvořených dat do anotačního nástroje CVAT. K automatické segmentaci byla využita konvoluční neuronovou síť DeepLabV3+. Neuronová síť byla trénována na datasetu obrazů histologií se dvěma barveními, WG(Weigert van Giesonovým) a HE(Hematxylin-eosinovým). Naučená neuronová síť se použila na segmentaci neanotovaných obrazů histologií a výsledky se nahráli do anotačního nástroje CVAT. Pro nahrání dat do CVATu je potřeba vytvořené segmentace(anotace) převézt z obrazové formy na bodovou strukturu. Pro vyřešení toho problému jsem vytvořil metodiku na převádění obrazů anotací na body, zjednodušil jejich strukturu a vytvořil stromové rozřazování pro ukládání do XML souboru, který přijímá anotační nástroj CVAT. Parametry použité při tvoření neuronové sítě a metody algoritmu vytvoření exportních dat pro CVAT popisuji v metodách a implementaci. Ve výsledcích práce ukazuju přesnost vytvořené neuronové sítě z hlediska funkcí na měření přesnosti, které byly součástí modelu vytvořené sítě a z hlediska přímé kontroly histologem, kterému bylo část snímků vytisknuto a byly na nich za současné kontroly originálních vzorků pod mikroskopem zaznamenávány nesrovnalosti v segmentaci

The aim of my bachelor thesis is to segment the image of histology of atherosclerotic plaques into specific areas (lumen, bleeding, calcification, fibrous ligament, atheroma tissue) and upload the generated data to the CVAT annotation tool. The DeepLabV3 + convolutional neural network was used for automatic segmentation. The neural network was trained on a dataset of histological images with two colors, WG (Weigert van Gieson) and HE (Hematxylin-eosin). The learned neural network was used to segment unannotated histology images and the results were recorded in the CVAT annotation tool. To upload data to CVAT, it is necessary to transfer the created segmentation (annotation) from the image form to the point structure. To solve this problem, I developed a methodology for converting annotation images to the body, simplified its structure, and created a tree layout for saving to an XML file that the CVAT annotation tool accepts. The parameters used in creating the neural network and the methods of the algorithm for creating export data for CVAT are described in the methods and implementation. The results chapter show the accuracy of the created neural network in terms of accuracy measurement functions, which were part of the model of the created neural network and in terms of direct control by a histologist, who was printed part of the images