Implementace modelu hlubokého učení pro segmentaci obratlů v CT datech

Abstract

Tato bakalářská práce se věnuje problematice segmentace obratlů v CT datech s využitím hlubokého učení. Nejprve je vytvořena teoretická rešerše zaměřená na anatomii a patologie páteře a obratlů, na CT systémy a na modely hlubokého učení pro segmentaci obratlů z 3D dat. Další část obsahuje podrobnější popis vybraného modelu pro segmentaci obratlů. V páté části je popsána samotná implementace vybraného modelu a navržená modifikace společně s výsledky na příslušné databázi. Nakonec je model s modifikací použit na klinická data poskytnutá vedoucím a popsána jeho úspěšnost na nich.This bachelor’s thesis deals with the problem of vertebrae segmentation in CT data with the use of deep learning. Firstly, there is a theoretical review focused on the anatomy and the pathologies of the spine and the vertebrae, the CT systems, and the deep learning models for vertebrae segmentation in 3D data. The following section contains a more detailed description of the chosen model. The fifth section describes the implementation of the chosen model and the proposed modification, together with the results on the relevant database. In the end, the model with the modification is used on the clinical data provided by the supervisor and its evaluation is described.