Segementace folikul z 2D ultrazvukových sekvencí obrázků vaječníků

Abstract

V této práci implementujeme a porovnáváme tři metody s vlastními úpravami pro segmentaci a rozpoznávání folikul v 2D ultrazvukových snímcích a videích vaječníků. První metoda využívá klasickou metodu narůstání oblastí, která je dále vylepšena použitím druhé metody - Kalmanova filtru. Třetí metoda využívá technik hlubokého učení, konkrétně architekturu U-Net. Náš dataset se skládá ze 110 samostatných ultrazvukových snímků a 82 videí, které byly rozřezány na téměř 1400 snímků. Pro trénování neuronových sítí jsme použili augmentaci dat, abychom dostatečně rozšířili dataset. Výsledky našich experimentů jasně ukazují převahu metod hlubokého učení nad klasickými přístupy. Metoda narůstání oblastí dosáhla průměrného r1=0.792 a r2=0.804 na videích nejlepší kvality, zatímco U-Net dosáhl průměrných hodnot r1=0.821 a r2=0.839 napříč všemi kvalitami snímků.

We implement and compare three methods with custom modifications for follicle segmentation and recognition in 2D ultrasound images and videos of ovaries. The first method employs a classical region growing algorithm, further refined by incorporating the second method - the Kalman filter. The third method utilizes deep learning techniques, specifically U-Net architecture. Our dataset comprises 110 individual ultrasound images and 82 videos cut into almost 1400 images. For training the neural networks, we applied data augmentations to extend the dataset profusely. The results of our experiments indicate the superiority of the deep learning methods over classical approaches. The region growing achieved an average r1=0.792 and r2=0.804 on the best-quality videos, whereas the U-Net reached an average r1=0.821 and r2=0.839 across all image qualities.