Semiautomatická detekce defektů plicních tepen u pacientů s chronickou tromboembolickou plicní hypertenzí
Semiautomatic detection of pulmonary arteries defects for patients with chronic thromboembolic pulmonary hypertension
Typ dokumentu
bakalářská prácebachelor thesis
Autor
Anton Saller
Vedoucí práce
Karnoub Evgeniia
Oponent práce
Kubíček Jan
Studijní obor
Biomedicínský technikStudijní program
Biomedicínská a klinická technikaInstituce přidělující hodnost
katedra biomedicínské technikyObhájeno
2023-06-20Práva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
Chronická tromboembolická plicní hypertenze (CTEPH) je život ohrožující chronické onemocnění, které je charakterizováno shromážděním intraluminálně organizovaných trombů, stenóz a uzávěrů jednotlivých větví plicnice. Cílem bakalářské práce je navrhnout algoritmus pro semiautomatickou detekci oblastí výskytu plicních tepen na segmentovaných CT snímcích u pacientů, u kterých byla diagnostikována chronická tromboembolická plicní hypertenzí. Princip detekce bude založen na využití sémantické segmentace na základě konvolučních neuronových sítí. Soubor s anonymizovanými snímky byly předem segmentovány pomoci prostředku Materialise Mimics. Jako metodu sémantické segmentace jsem použil DeepLabV3 na základě sítě Xception. Celková přesnost trénovacího procesu byla 99,69 %. Senzitivita dané metody je 73,1 %, specifita – 86,9 %, φ koeficient který vyjadřujepredikční schopnost sítě byl 60,6 %, Daná metoda využití konvolučních neuronových sítí může být užitečnou podporou pro lékařskou diagnostiku nejenom pacientů s CTEPH, ale taky u pacientů s celou řadou jiných onemocnění. CNN dokáže mnohem rychleji, občas i přesněji detekovat patologií, pro lékaře zbývá jenom ověřit dané rozhodnutí. Chronic thromboembolic pulmonary hypertension (CTEPH) is a life-threatening chronic disease characterized by the collection of intraluminal organized thrombi, stenoses and occlusions of individual branches of the pulmonary artery. My main goal in this thesis is to propose an algorithm for semi-automatic detection of occurrence areas of pulmonary arteries on segmented CT images in patients diagnosed with chronic thromboembolic pulmonary hypertension. The principle of detection will be based on the use of semantic segmentation based on convolutional neural networks. The dataset with anonymized data was pre-segmented using Materialise Mimics program. I used DeepLabV3 based on the Xception network as a semantic segmentation method. The global accuracy of the training process was 99.69%. The sensitivity of this method is 73.1%, specificity – 86.9%, the φ coefficient, which expresses the predictive ability of the network, was 60.6%, Such method of using convolutional neural networks can be a useful support for the medical diagnosis not only of patients with CTEPH, but also patients with a whole range of other diseases. CNN can detect pathology much faster and sometimes even more accurately, all that remains for the doctor is to verify the given decision.
Kolekce
- Bakalářské práce - 17110 [869]