Lokalizace a segmentace in-vivo ultrazvukových obrazů karotidy

Abstract

Táto práca je zameraná na tri samostatné problémy týkajúce sa spracovania obrazu – klasifikáciu, lokalizáciu a segmentáciu ultrazvukových snímkov stenózy krčnej artérie. Prvý zo zmienených problémov bol úspešne vyriešený použitím neurónovej siete ResNet50 a vytvorením datasetu so 1679 snímkami. Tento model bol schopný klasifikovať štyri triedy ultrazvukových snímkov (pozdĺžny, priečny, Dopplerovský, kónický) s testovacou presnosťou 99,22%. Oblasť záujmu, krčná artéria, bola pomocou Faster R-CNN lokalizovaná na priečnych a pozdĺžnych snímkoch. IoU medzi predpovedaným a skutočným ohraničujúcim boxom u oboch typov snímkov bola vyššia ako 0,75 u 90% testovacích prípadov. Následne bola segmentovaná oblasť artérie na stenu artérie s plakom, lumen a okolité tkanivo. U-net natrénovaná len na 75 snímkach dosiahla priemernú testovaciu presnosť segmentácie snímku 86,53% pre priečne a 84,23% pre pozdĺžne snímky.

This thesis is focused on the three separate image recognition tasks—classification, localization, and segmentation of the ultrasound images of the carotid artery with stenosis. The first problem was successfully solved by a ResNet50 CNN and a created dataset with 1,679 images. Such a model was able to categorize four classes of the ultrasound images (longitudinal, transverse, Doppler, conical) with a test accuracy of 99.22%. The region of interest, the carotid artery, was localized on the transverse and longitudinal images by the novel Faster R-CNN. The IoU between predicted and true bounding boxes was greater than 0.75 in 90% of the test cases for both, the transverse and longitudinal test images. Further, the area of an artery was segmented into an artery wall with plaque, a lumen, and surrounding tissue. The U-net trained only on 75 images achieved an average image accuracy of 86.53% on the test data for the transverse section and 84.23% for the longitudinal section.