Analýza segmentačních modelů pro diagnostiku onemocnění artérií v angiografických obrazech

Abstract

Tato diplomová práce se zabývá segmentací tepen a stenóz na rentgenových kontrastních angiografických snímcích (XCA) pomocí modelů U-Net a DeepLabV3+. Součástí práce byla také analýza vlivu jednotlivých hyperparametrů na výslednou výkonnost modelu s využitím metod SHAP a fANOVA. Modely byly testovány na datasetu ARCADE ve variantách s předzpracováním obrazu (CLAHE, top-hat transformace) i bez něj. Výkon byl hodnocen pomocí Dice skóre, senzitivity, PPV a Jaccardova indexu. Nejlepších výsledků v segmentaci tepen dosáhl model DeepLabV3+ bez předzpracování, zatímco pro stenózy byl nejúspěšnější DeepLabV3+ s předzpracováním. Výsledky potvrzují význam volby architektury i předzpracování pro přesnost segmentace.This thesis focuses on the segmentation of arteries and stenoses in X-ray contrast angiographic (XCA) images using U-Net and DeepLabV3+ models. The work also includes an analysis of the influence of individual hyperparameters on model performance using SHAP and fANOVA methods. The models were evaluated on the ARCADE dataset, both with and without image preprocessing techniques (CLAHE, top-hat transformation). Performance was assessed using the Dice score, sensitivity, PPV, and the Jaccard index. The best results in artery segmentation were achieved by the DeepLabV3+ model without preprocessing, whereas DeepLabV3+ with preprocessing performed best in stenosis segmentation. The results highlight the importance of model architecture and preprocessing in achieving accurate segmentation.