Semiautomatická detekce defektů plicních tepen u pacientů s chronickou tromboembolickou plicní hypertenzí

Abstract

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.