Naslov Detekcija glioblastoma pomoću konvolucijskih neuralnih mreža
Naslov (engleski) Detection of glioblastoma using convolutional neural networks
Autor Leon Trakoštanec
Mentor Ivona Zakarija (mentor)
Mentor Toni Besjedica (komentor)
Član povjerenstva Toni Besjedica (predsjednik povjerenstva)
Član povjerenstva Ivona Zakarija (član povjerenstva)
Član povjerenstva Ivan Grbavac (član povjerenstva)
Ustanova koja je dodijelila akademski / stručni stupanj Sveučilište u Dubrovniku (Odjel za elektrotehniku i računarstvo) Dubrovnik
Datum i država obrane 2023-05-26, Hrvatska
Znanstveno / umjetničko područje, polje i grana TEHNIČKE ZNANOSTI Računarstvo Informacijski sustavi
Sažetak Veliki skupovi medicinskih slika u bolničkom sustavu za arhiviranje slika i komunikaciju u
kombinaciji s naprednim računalstvom visokih performansi omogućuju mogućnost ubrzanja
tehnike strojnog učenja za prepoznavanje kliničkih nalaza, slika i točnu dijagnozu specifičnih
bolesti. Uz dovoljno veliku količinu podataka i adekvatan trening, modeli dubokog učenja
mogu postići veliku točnost. Medicinske slike imaju ogroman potencijal za primjenu u
dubokom učenju, a modeli velike uspješnosti se mogu koristiti u praktične svrhe. Sukladno
tome rađeno je i ovo istraživanje koje je provedeno na javno dostupnom skupu podataka iz
arhive glioblastoma Medicinskog zdravstvenog sustava Sveučilišta u Pennsylvaniji. Arhiva
podataka sastoji se od studija magnetske rezonancije mozga izvedenih u T1, T2 i T2-flair
sekvencama na 650 pacijenata. Iz cjelokupnog skupa podataka, 130 slika identičnih rezova
mozga eksportirano je i korišteno za ručno označavanje glioblastoma i daljnju primjenu u
modelu dubokog učenja za tri različite arhitekture. Prema rezultatima i uspoređujući sve tri
arhitekture zaključuje se da klasifikacija slika i otkrivanje objekata imaju veliki broj lažno
pozitivnih otkrivanja. Model segmentiranja slika s jednakim parametrima kao i druga dva
modela ima iznimno lošije rezultate na testnim podatcima. Međutim, prilagođavanjem
relevantnih parametara, model segmentiranja slika također postiže značajne rezultate, bolje od
druge dvije metode. Prema zaključcima mnogih istraživanja, U-Net će biti ključan za budući
razvoj, zbog svoje primjenjivosti u 3D okruženju, što omogućuje razvoj industrijski
primjenjivih algoritama.
Sažetak (engleski) Large sets of medical images in the hospital's image archiving and communication system
combined with advanced high-performance computing enable the acceleration of machine
learning techniques for recognizing clinical findings, images and accurate diagnosis of
specific diseases. With a large enough amount of data and adequate training, deep-learning
models can achieve high accuracy. Medical images have massive potential for deep learning
applications, and high-performance models can be used for practical purposes. Accordingly,
this research was conducted on a publicly available data set from the glioblastoma archive of
the University of Pennsylvania Medical Health System. The data archive consists of brain
magnetic resonance studies performed in T1, T2 and T2-flair sequences on 650 patients. From
the entire dataset, 130 images of identical brain slices were exported and used for manual
glioblastoma labelling and further application in a deep learning model for three different
architectures. According to the results and comparing all three architectures, it is concluded
that image classification and object detection have many false positive detections. The image
segmentation model with the same parameters as the other two models could have better
results on the test data. However, by adjusting the relevant parameters, the image
segmentation model achieves significant results better than the other two methods. According
to the conclusions of many studies, U-Net will be crucial for future development due to its
applicability in a 3D environment, which enables the development of industrially applicable
algorithms.
Ključne riječi
duboko učenje
glioblastom
konvolucijske neuralne mreže
magnetska rezonanca
Ključne riječi (engleski)
convolutional neural networks
deep learning
glioblastoma
magnetic resonance
Jezik hrvatski
URN:NBN urn:nbn:hr:155:646615
Studijski program Naziv: Primijenjeno/poslovno računarstvo Vrsta studija: sveučilišni Stupanj studija: diplomski Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag. ing. comp.)
Vrsta resursa Tekst
Način izrade datoteke Izvorno digitalna
Prava pristupa Pristup korisnicima matične ustanove
Uvjeti korištenja
Datum i vrijeme pohrane 2023-06-02 11:14:49