Suprese kostí v RTG snímcích plic

Abstract

Cílem diplomové práce bylo ve spolupráci se společností Carebot vytvořit model strojového učení pro supresí kostí v RTG snímcích. Jako modely konvoluční neuronové sítě byly z rešerše daného tématu zvoleny a trénován model s architekturou U-Net a model s xUnetFS architekturou. Tyto modely byly natrénovány na RTG snímcích hrudníku a k nim odpovídajícím snímkům po supresi kostní tkáně. Pro zvětšení datasetu a robustnosti modelů byly vybrány metody augmentace, které se aplikovaly na dataset. Kromě využití poskytnutých snímků a jejich labelů se supresí kostí byl vytvořen separátní dataset pro trénování modelu který dokáže segmentovat kosti z původního snímku. Dataset byl vytvořen odečtením snímků bez suprese a snímků se supresí. Všechny algoritmy a modely použité, nebo vytvořené v rámci práce byly dělány v programovacím jazyku Python, v prostředí výpočetní infrastruktury Metacentrum. Ve výsledcích práce je srovnání jednotlivých modelů z hlediska přesnosti měřené metrikami a subjektivní přesnosti, která byla hodnocena odborníkem.

The aim of the thesis was to create a machine learning model for bone suppression in X-ray cleaning in cooperation with the Carebot company. As models of the convolutional neural network, the model with the U-Net architecture and the model with the xUnetFS architecture were selected and trained from the research of the given topic. These models were trained on X-rays images of the chest corresponding images after suppression of bone tissue. To increase the dataset and the robustness of the models, augmentation methods were selected and applied to the dataset. In addition to using the provided images and their bone-suppressed labels, another separated dataset was created to train a model that can segment the ribs from the original image. The dataset was created by subtracting images without suppression and images with suppression. All algorithms and models used, or created as part of the work were created in the Python programming language, in the environment of the Metacentrum computing infrastructure. The results of the work include a comparison of individual models in terms of the accuracy of the measured metrics and subjective accuracy, which was evaluated by an expert.