Дослідження сегментації біомедичних зображень за допомогою методів глибокого навчання
Автор: Пастернак Діана Михайлівна
Кваліфікаційний рівень: магістр
Спеціальність: Інформаційні технології проектування
Інститут: Інститут комп'ютерних наук та інформаційних технологій
Форма навчання: денна
Навчальний рік: 2023-2024 н.р.
Мова захисту: англійська
Анотація: Пастернак Д. М., Фармага І. В. (керівник). Дослідження сегментації біомедичних зображень за допомогою методів глибокого навчання. Магістерська кваліфікаційна робота. – Національний університет «Львівська політехніка», Львів, 2023. Розширена анотація. Сегментація медичних зображень спрямована на підкреслення структурних чи патологічних змін на зображеннях; це часто відіграє ключову роль в комп’ютерній діагностиці та сучасній медицині завдяки значному покращенню ефективності та точності діагностики [1][2]. Охопити всі підходи до сегментації різних типів зображень в одному дослідженні є досить складним завданням, оскільки вибір методів глибокого навчання сильно залежить від характеристик даних, тому ми вирішили зосередитися на сегментації зображень МРТ головного мозку для демонстрації потужності нейронних мереж як інструменту первинної діагностики, оскільки в цій області поки проведено порівняно менше досліджень. До того ж МРТ зображення головного мозку є досить цікавим предметом досліджень завдяки тривимірному представленню, можливості воксельної обробки та необхідністю попередньої роботи з такими характеристиками зображення, як контрастність, тощо [3]. У даній роботі ми пропонуємо повністю автоматизовані методи сегментації пухлин головного мозку, які розроблено на основі глибоких згорткових мереж U-Net і генеративних змагальних мереж (GAN). Наші методи оцінені на наборах даних з Multimodal Brain Tumor Image Segmentation Challenge (BRATS 2023). Досліджувалися також більш складні схеми навчання та архітектури нейронних мереж (використання механізму уваги та деформованих згорток), однак, вони не продемонстрували значного покращення продуктивності зі збільшенням часу навчання, а навіть навпаки, оскільки спостерігалось перенавчання. Загалом, наш підхід з використанням оригінальних архітектур з невеликими модифікаціями продемонстрував добру та збалансовану ефективність для кожної підобласті пухлини за піксельними метриками та коефіцієнтом Дайса. Об’єкт дослідження – сегментація МРТ-зображень для виявлення пухлин мозку та побудови маски сегментації з класифікацією областей пухлини. Предмет дослідження – архітектури глибоких нейронних мереж, зокрема згорткові та змагальні нейронні мережі в задачах сегментації зображень. Мета дослідження: генерація якомога точнішого виокремлення областей пухлин головному мозку; покращення точності сегментації зображень шляхом створення архітектур глибокого навчання на основі існуючих мереж; вивчення впливу різних структурних параметрів моделей на точність сегментації; пошук оптимальної конфігурації для кожної моделі. Результати точності сегментації МРТ-зображень пухлин мозку подані на основі значень коефіцієнту схожості Дайса, відстані Гаусдорфа та піксельних метрик чутливості та специфічності. 3D U-Net та механізмом уваги виявилась найкращим рішенням, враховуючи характер набору даних (~ 89,5%), класична GAN з воксельною обробкою продемонструвала точність майже 86,3%. Ключові слова: пухлини мозку, сегментація медичних зображень, глибоке навчання, BraTS, U-Net, генеративні змагальні мережі, механізм уваги. Перелік використаних літературних джерел. [1] R. Wang, T. Lei, R. Cui, B. Zhang, H. Meng, A. K. Nandi. Medical Image Segmentation Using Deep Learning: A Survey – 2021 – Режим доступу до ресурсу: arXiv:2009.13120v3. [2] Zhihua Liu, Lei Tong, Zheheng Jiang, Long Chen, Feixiang Zhou, Qianni Zhang, Xiangrong Zhang, Yaochu Jin, Huiyu Zhou. Deep Learning Based Brain Tumor Segmentation: A Survey – 2021 – Режим доступу до ресурсу: arXiv:2007.09479v3. [3] David Bouget, Andre Pedersen, Asgeir Store Jakola, Vasileios Kavouridis, Kyrre Eeg Emblem, Roelant S. Eijgelaar. Preoperative brain tumor imaging: models and software for segmentation and standardized reporting – 2022 – Режим доступу до ресурсу: arXiv:2204.14199v1.