Multi-organ segmentation med användning av djup inlärning

• Main Authors: Karlsson, Albin, Olmo, Daniel
• Format: Others
• Language: Swedish
• Published: KTH, Medicinteknik och hälsosystem 2020
• Subjects: Medical Image Processing; Medicinsk bildbehandling
• Online Access: http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-277813

Medicinsk bildanalys är både tidskonsumerade och kräver expertis. I den härrapporten vidareutvecklas en 2.5D version av faltningsnätverket U-Net anpassadför automatiserad njuresegmentering. Faltningsnätverk har tidigare visatliknande prestation som experter. Träningsdata för nätverket anpassades genomatt manuellt segmentera MR-bilder av njurar. 2.5D U-Net nätverket tränades med64 st njursegmenteringar från tidigare arbete. Volymanalys på nätverketssegmenterings förslag av 38.000 patienter visade den mängden segmenteradevoxlar som inte tillhörde njurarna var 0,35 %. Efter tillägg av 56 st av vårasegmenteringar minskade det till 0.11 %, en reduktion av cirka 68 %. Det är enstor förbättring av nätverket och ett viktigt steg mot tillämpning avautomatiserad segmentering. === Medical image analysis is both time consuming and requires expertise. In thisreport, a 2.5D version of the U-net convolution network adapted for automatedkidney segmentation is further developed. Convolution neural networks havepreviously shown expert level performance in image segmentation. Training datafor the network was created by manually segmenting MRI images of kidneys.The 2.5D U-Net network was trained with 64 kidney segmentations fromprevious work. Volume analysis on the network’s kidney segmentation proposalsof 38,000 patients showed that the ammount of segmented voxels that are notpart of the kidneys was 0.35%. After the addition of 56 of our segmentations, itdecreased to just 0.11%, indicating a reduction of about 68%. This is a majorimprovement of the network and an important step towards the development ofpractical applications of automated segmentation.