Segmentace ultrazvukových obrazů aterosklerotických plátů s využitím neuronových sítí

Abstract

Tato bakalářská práce se zaměřuje na využití konvolučních neuronových sítí pro segmentaci aterosklerotických plátů. Společně s využitím pro autonomní řízení vozidel, detekci objektů a vyhodnocováním medicínských obrazů, tvoří segmentace snímků významnou část oboru počítačového vidění. Práce srovnává vliv na výkon jednotlivých architektur a trénovacích parametrů a zkoumá, jak dobře jsou konvoluční sítě schopné provádět medicínskou segmentaci. Přehled současného stavu segmentace postavené na konvolučních sítích, včetně přehledu relevantní literatury a existujících modelů, je prezentován na začátku této práce. Následně bylo navrženo 12 modelů, které se lišily strukturou architektury a zvolenými trénovacími parametry. Tyto modely byly testovány na různých testovacích datasetech (vygenerovaných augumentací původního testovacího datasetu) pro otestování variability modelu. Dodatečně jsou podrobněji zkoumány také metody jako augmentace dat nebo dolaďování (fine-tuning). Výsledky experimentů ukazují, že konvoluční neuronové sítě jsou schopné při segmentaci aterosklerotických plátů dosáhnout velmi vysoké přesnosti. Nejlépe natrénovaný model, aplikující architekturu U-net a trénovaný na augmentovancýh datech, dosahuje průměrné hodnoty IOU 0,9575 při segmentaci pozadí, 0,8272 při segmentaci plátů, 0,726 při segmentaci průsvitů a 0,8384 při segmentaci artefaktů, na testovacích datech. Tyto poznatky demonstrují efektivitu použití konvolučních sítí při segmentačních úlohách a indikují potenciální rozsah praktického využití. Tato práce celkově poskytuje podrobnou analýzu využití konvolučních sítí pro segmentaci medicínských obrazů, včetně shrnutí použitých architektur a trénovacích metod. Výsledky ukazují, jak dobře si konvoluční sítě vedou na této úloze a indikují, že konvoluční neuronové sítě mohou dále nacházet využití napříč různými sférami. Zjištěné poznatky navíc dále naznačují možnost aplikace ostatních metod optimalizace, které však v této práci nebyly podrobněji zkoumány.

This bachelor thesis explores the use of convolutional neural networks (CNNs) for atherosclerotic plaque segmentation tasks. With applications in autonomous vehicles, object detection, and medical imaging, image segmentation is a significant area of computer vision. This thesis compares the performance of various architectures and training parameters in order to investigate how well CNNs perform medical segmentation. An overview of the current state of CNN-based image segmentation, including a review of pertinent literature and existing models, is presented at the outset of the thesis. Subsequently, 12 models were designed which slightly differed in architecture structure and training parameters. These models were then tested on various testing datasets (generated by augmentation of the original dataset) to examine model's variability. Additionally, various training methods like data augmentation and fine-tuning are investigated. The experiments' findings demonstrate that CNNs are very efficient at segmenting atherosclerotic plaques, achieving high accuracy and performing well on the test set. The model that performs the best averages with IOU of 0.9575 in the background segmentation, 0.8272 in the plaque segmentation, 0.726 in the lumen segmentation, and 0.8384 in the artifacts segmentation on the test sets using a U-Net architecture with data augmentation. These findings show how effective CNNs can be at performing image segmentation tasks and indicate a wide range of practical uses. Overall, this thesis offers a thorough analysis of CNNs' use for medical image segmentation, including an assessment of various architectures and training methods. The outcomes show how well CNNs perform for this task and indicate that they could find widespread use across a variety of sectors and domains. Also, more methods to further optimize the performance were suggested.