Modeli strojnoga učenja za detektiranje ciljanih značajki u pedijatrijskim medicinskim rendgenskim slikama : doktorska disertacija

Abstract

U kontekstu ozljeda povezanih s kostima, radiografija je najčešće korištena tehnika neinvazivne dijagnostike. Standardni postupak uključuje tehničara koji izrađuje kvalitetan radiogram i radiologa koji na temelju dobivene slike postavlja dijagnozu. Kako bi se dijagnostički postupci učinili lakšima, bržima i preciznijima, razvijaju se sustavi računalne dijagnostike (CADx) koji pružaju podršku radiolozima u procesu donošenja odluka. Posljednjih godina strojno učenje (ML) postalo je fokus razvoja i istraživanja CADx sustava jer je sposobno s lakoćom prepoznati vrlo složene distribucije podataka. Ovo je posebno važno u pedijatrijskoj radiologiji, gdje su varijacije u podacima često vrlo zahtjevne za modeliranje. U ovoj doktorskoj disertaciji prvo se istražuje predobrada pedijatrijskih radiograma i otkrivanje ciljanih značajki povezanih s prijelomima zapešća na dječjim radiogramima zapešća. Pregledom skupa podataka pedijatrijskih slika prikupljenih na Odjelu za pedijatrijsku radiologiju, Odsjeku za radiologiju Medicinskog sveučilišta u Grazu, Austrija, pojavilo se pitanje poravnanja i orijentacije radiograma. Stoga su poravnanje i orijentacija radiograma postali fokus razvijanja prvog ML modela. Nakon poravnavanja i orijentacije slike, potrebno je izdvojiti ciljane značajke koje mogu pomoći radiolozima u otkrivanju prijeloma zapešća na pedijatrijskim medicinskim radiogramima. Razvijena su dva odvojena ML modela za otkrivanje prijeloma zapešća u djece. Prvi razvijeni model temelji se na segmentaciji kostiju korištenjem lokalne entropije. Drugi model koristi YOLOv4 konvolucijsku neuronsku mrežu kako bi otklonio nedostatke prvog razvijenog modela. Osim otkrivanja prijeloma, korisno je procijeniti i starost prijeloma. Stoga je razvijen još jedan sustav temeljen na dubokom učenju za procjenu starosti prijeloma. Razvijeni multimodalni sustav temelji se na spajanju višestrukih projekcija radiograma (istog slučaja) s informacijama o dobi i spolu pacijenta te pruža neizvjesnost u svojoj odluci. Procjenom neizvjesnosti svojih odluka, sustav postaje pouzdanijim za stručnjake koji ga koriste. Konačno, kako bi se poboljšala vidljivost prijeloma i tkiva prekrivenog gipsom tijekom praćenja cijeljenja prijeloma zapešća, razvijen je sustav temeljen na arhitekturi CycleGAN za supresiju gipsa na radiogramima. Također, kako bi se razvijeni sustav prikladno vrednovao, predloženo je metoda rigoroznog kvantitativnog i kvalitativnog vrednovanja. Uzimajući sve u obzir, spajanje svih razvijenih modela u jedan sustav stvara okosnicu CADx sustava sposobnog pružiti ključne informacije o pedijatrijskim prijelomima zapešća koje bi mogle poboljšati dijagnostiku i učiniti cijeli proces manje napornim za radiologe.

Ähnliche Arbeiten