Automatické určení Knosp skóre na základě segmentace anatomických struktur

Abstract

Tato práce se zabývá automatickým určováním Knosp skóre ze snímků magnetické rezonance mozku a jejich segmentačních masek. Knosp skóre je stupeň na škále rozšířeného klasifikačního systému pro hodnocení závažnosti adenomu hypofýzy. Určení tohoto skóre může pomoci stratifikovat rizika při neurochirurgické léčbě. Prezentované řešení zahrnuje geometrický model založený na pravidlech a modely využívající metod hlubokého učení. Poskytnutá vstupní data obsahují 394 trénovacích subjektů a 99 testovacích subjektů. Na testovacím souboru geometrický model správně klasifikuje 79,80 % případů problému a nejlepší model hlubokého učení vykazuje přesnost 73,74 %. Spearmanův korelační koeficient 0,86, respektive 0,84 ukazuje u obou modelů ve vzathu k expertní anotaci lepší shodu, než byla u této klasifikační stupnice dříve zjištěna mezi odbornými hodnotiteli.

This thesis deals with the automatic determination of Knosp scores in magnetic resonance imaging brain scans and their segmentation masks. Knosp score is a grade in a widely used classification system for pituitary adenoma severity assessment. Its correct determination can help to stratify the risks in neurosurgical treatment. A geometric rule-based model and deep learning models are presented as a solution to this task. The available data comprise 394 training subjects and 99 test subjects. On the test dataset, the geometric model correctly classifies 79.80% of the problem's instances, and the best deep learning model exhibits an accuracy of 73.74%. Both models show a good agreement with the expert annotation with a Spearman correlation coefficient of 0.86, respectively 0.84, which is better than a previously reported inter-rater reliability of the Knosp classification system.