Implementace modelů strojového učení pro segmentaci trombů v multifázických CT datech

Abstract

Ischemická cievna mozgová príhoda patrí medzi hlavné príčiny úmrtnosti a dlhodobej invalidity. Diplomová práca sa zameriava na problematiku ischemickej cievnej mozgovej príhody, urýchlenie diagnostiky, najmä pomocou detekcie a segmentácie trombu z multifázických CT angiografických dátach. Praktická časť diplomovej práce zahŕňa opis vyhotovenia potrebných úprav dostupného datasetu a taktiež implementáciu segmentačných prístupov pomocou neurónových sietí. V práci je navrhnutý prístup lokalizácie trombu, ktorý využíva 2D projekcie maximálnej intenzity v axiálnej, koronálnej a sagitálnej rovine na extrakciu 3D oblastí trombu. V týchto oblastiach následne prebieha segmentácia trombu pomocou 3D neurónovej siete a opätovne sa integrujú do 3D objemu s veľkosťou roginálnych dát. Tento prístup je porovnaný so segmentáciou pomocou nnUnet. Výsledky sú prezentované a diskutované.

Ischemic stroke ranks among the leading causes of mortality and long-term disability. This thesis focuses on the issue of ischemic stroke, the acceleration of its diagnosis, and particularly thrombus detection and segmentation in multiphase computational tomography angiography (mCTA) data. The practical part of the thesis includes a description of the execution of the necessary modifications of the available dataset, and also the implementation of segmentation approaches using neural networks. The thesis proposes a thrombus localization approach that utilizes 2D maximum intensity projections in axial, coronal, and sagittal planes to extract 3D thrombus patches. These patches are then segmented with a 3D neural network and reintegrated into the original 3D volume. This approach is compared to the nnUnet segmentation. The results are presented and discussed.