Detekce nádoru mozku v MRI snímcích s využitím segmentačních neuronových sítí

Abstract

Cílem této bakalářské práce bylo navrhnout a implementovat systém pro automatickou segmentaci mozkových nádorů z MRI snímků pomocí metod hlubokého učení. Byly porovnány tři přístupy 2D segmentace bez augmentace, 2D segmentace s augmentací (rotace, šum, převrácení) a 3D segmentace celých objemů pomocí U-Net architektury. Modely byly trénovány na datasetu BraTS2020 obsahujícím trojrozměrné MRI skeny pacientů s gliomy a odpovídající ruční anotace nádorových oblastí. Výsledky ukazují, že použití augmentace u 2D segmentace výrazně zlepšilo výkonnost modelu, a to zejména u obtížně detekovatelných tříd, jako je edém nebo kontrastně se zvýrazňující nádor. Nejlepší dosažené Dice skóre u 2D segmentace s augmentací činilo až 0,8046 pro rostoucí nádor v ose Z. Průměrné Dice skóre tohoto přístupu dosáhlo 0,7535, zatímco bez augmentace bylo pouze 0,7223. Naproti tomu 3D segmentace dosáhla nižší přesnosti s průměrným Dice skóre 0,5101, což bylo ovlivněno nižším počtem trénovacích vzorků, vyšší výpočetní náročností a absencí pokročilejších optimalizačních technik. Z výsledků vyplývá, že správná volba předzpracování a augmentace dat má klíčový vliv na kvalitu segmentace. 2D přístup, přestože ztrácí prostorový kontext, poskytuje velmi přesné výsledky, je-li podpořen rozšířením trénovacích dat. Práce ukazuje, že i relativně jednoduchá architektura může být při vhodném tréninku schopna dosahovat klinicky relevantních výsledků.

The aim of this bachelor thesis was to design and implement a system for automatic brain tumor segmentation from MRI images using deep learning methods. Three approaches were compared 2D segmentation without augmentation, 2D segmentation with augmentation (including rotation, noise, and flipping), and full 3D segmentation using a 3D U-Net architecture. The models were trained on the BraTS2020 dataset, which includes volumetric MRI scans of glioma patients with annotated tumor regions. The results show that data augmentation significantly improved the performance of the 2D segmentation model, especially for challenging tumor components such as edema and enhancing tumor. The highest achieved Dice score was 0.8046 for the enhancing tumor in the Z-axis with the augmented 2D model. The average Dice score reached 0.7535 with augmentation, compared to 0.7223 without it. In contrast, the 3D segmentation model performed worse with an average Dice score of 0.5101, likely due to limited training data, higher computational demands, and insufficient model optimization. The findings confirm that proper data preprocessing and augmentation are crucial for achieving accurate segmentation. Although the 2D approach lacks volumetric context, it outperformed the 3D model in this case and delivered clinically useful results when trained effectively.