Automatická klasifikace MR snímků srdečních rovin

Abstract

Tato práce se věnuje oblasti klasifikace obrazů pomocí strojového učení, konkrétně klasifikaci 2D snímků magnetické rezonance srdce v různých srdečních rovinách. Nejdříve jsou popsány příklady srdečních rovin a jak se získají, následně je popsán způsob klasifikace obrazů a jsou uvedené některé metody využívající strojového učení, a poté je popsána architektura konvoluční neuronové sítě. Poté byla v programovacím jazyce Python pomocí knihovny PyTorch navrhnuta vlastní architektura konvoluční neuronové sítě pro automatickou klasifikaci srdečních rovin, která sloužila jako základ pro provedené experimenty. Dále bylo provedeno transferové učení na několik veřejně dostupných modelů, kde model VGG13 se ukázal jako nejlepší. Poté byly provedeny 4 experimenty s cílem zlepšit úspěšnost klasifikace modelů. Prvním experimentem bylo provedení změn v architektuře vlastního modelu, druhý experiment se zaměřil na využití augmentace vstupních dat, třetí experiment se zabýval vyrovnání tříd v trénovacím datasetu a ve čtvrtém experimentu byly vyzkoušeny různé reprezentace vstupních dat s využitím gradientního obrazu. Nejlepším modelem se ukázal veřejně dostupný model VGG13, který dosáhl přesnosti 99,53 % na validačním datasetu a 90,67 % na testovacím datasetu.This thesis focuses on the field of image classification using machine learning, specifically the classification of 2D cardiac MRI images of various cardiac planes. First, examples of specific cardiac planes are described, including how they are obtained, then a description of how the images are classified and some methods using machine learning are presented followed by a description of each layer in convolutional neural network architecture. Then, a convolutional neural network was designed and implemented in Python using the Pytorch library in order to automatically classify cardiac planes, which served as the basis for performed experiments. After that, 4 experiments were performed to improve the classification succes of the models. The first experiment was to make changes in the designed architecture, the second experiment focused on augmentation of the input data, the third experiment dealt with imbalance across classes in training dataset and in the fourth experiment a different representations using gradient image of the input data were tested. The publicly available model VGG13 performed the best, and achieved 99,53 % accuracy on the validation dataset and 90,67 % accuracy on the testing dataset.