Lista przedmiotów z materiałami udostępnionymi dla studentów

Dla_studentów
  • Increase font size
  • Default font size
  • Decrease font size

Aneta Sikora

Segmentacja obrazów DCE-MRI z użyciem algorytmów uczenia maszynowego w zastosowaniu do ilościowej oceny perfuzji nerek


DCE-MRI image segmentation using machine learning algorithms in application to quantitative renal perfusion estimation


Opiekun pracy dyplomowej: dr hab. inż. Artur Klepaczko
Praca dyplomowa BSc - IFE obroniona 2018-02-14
Streszczenie pracy dyplomowej:
Segmentacja obrazów jest jedną z ważniejszych procedur używanych przy określaniu budowy anatomicznej organów, czy też funkcjonalności ich poszczególnych tkanek. Pozwala ona na wyodrębnienie tzw. obszaru zainteresowania (ROI) oraz określenie jego stanu. Jako taka, segmentacja stanowi istotny etap w przetwarzaniu obrazów wykonanych w technice DCE-MRI, służącej do oceny perfuzji nerek. Kolejnym krokiem, które umożliwia ocenę stanu nerki jest zastosowanie odpowiedniego modelu farmakokinetycznego na obszarze funkcjonalnym nerki, który składa się z kory oraz miedniczek. Prawidłowo wykonana segmentacja istotnie wpływa więc na jakość i skuteczność diagnostyki chorób nerek wykorzystujących obrazy DCE-MRI. Celem tej dysertacji było opracowanie algorytmu do segmentacji nerek w obrazach DCE-MRI z zastosowaniem nienadzorowanego algorytmu uczenia maszynowego. Następnie, przeprowadzona była ilościowa analiza perfuzji nerki poprzez zastosowanie modelu farmakokinetycznego. Segmentacja nerki była sporządzona za pomocą algorytmu k-średnich zaimplementowanego w języku programistycznym Python. Do oszacowania stanu nerki zastosowany był tzw. rozszerzony dwuprzedziałowy model zaproponowany przez Toftsa w 2012 roku oraz został zaimplementowany używając programu Matlab. Otrzymane wyniki potwierdziły możliwość zastosowania zaproponowanych rozwiązań oraz potrzebę optymalizacji w przyszłości. Słowa kluczowe: DCE-MRI, nerka, segmentacja, k-means, GFR.
Abstract:
Image segmentation is one of the crucial procedures used to analyze the anatomical structures or to assess the functionality of their tissues. It enables the extraction of the region of interest (ROI) and estimation of its condition. Segmentation is a crucial stage of processing the images acquired using Dynamic Contrast Enhanced Magnetic Resonance Imaging (DCE-MRI) technique, which is used to assess the renal perfusion. Subsequent procedure, which enables the estimation of the condition of the kidney, is the application of the appropriate pharmacokinetic model on the functional region, which consist of cortex and medulla. Properly performed segmentation significantly influences the quality and efficiency of the kidney diseases diagnosis conducted using DCE-MR images. The objective of this dissertation was the preparation of the computer program, which would perform the kidney segmentation on DCE-MR images by applying the unsupervised machine learning algorithm. Subsequently, the quantitative analysis of the renal function was performed using pharmacokinetic model. The segmentation procedure was performed using k-means algorithm implemented in Python programming language. In order to assess the kidney functionality, a twocompartment model proposed by Tofts et al. in 2012 and was implemented using Matlab software. The obtained results confirm the potential for the future development of proposed solutions. Keywords: DCE-MRI, kidney, segmentation, k-means, GFR.