Automatické nalezení srdečních rovin v MR obrazech srdce
Loading...
Date
Authors
Panáček, Oldřich
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract
Automatické určení srdečních rovin z lokalizačních snímků magnetické rezonance představuje náročný úkol, který je v klinické praxi dosud prováděn manuálně obsluhou přístroje. Kvalita výsledků i časová náročnost tohoto postupu přitom výrazně závisí na zkušenostech operátora. Tato práce se zaměřuje na automatizaci predikce orientace a transformace tří hlavních srdečních rovin – zobrazení v krátké ose (SAX), vertikální dlouhé ose (VLA) a horizontální dlouhé ose (HLA) – pomocí konvoluční neuronové sítě ResNet, která odhaduje rotační respektive transformační matice. Model SAX byl trénován, validován a testován na 85 originálních datových sadách s dvojnásobnou augmentací axiálních lokalizačních snímků. Pro zajištění platnosti predikovaných matic jakožto ortogonálních rotací byla aplikována singulární dekompozice (SVD), která zároveň umožnila vyhodnotit míru neortogonality predikcí. Přesnost modelu byla dále analyzována pomocí rozdílových rotačních matic rozložených do Eulerových úhlů. Výsledky byly vizualizovány formou krabicových grafů. Modely HLA a VLA byly trénovány a testovány na 78 originálních datových sadách s dvojnásobnou augmentací a vyhodnoceny pomocí metrik založených na deformaci referenční mřížky diferenční maticí, následně vizualizovaných krabicovými grafy. Pro srovnání s publikovanými studiemi byla navíc vypočtena absolutní úhlová odchylka mezi normálovými vektory definujícími jednotlivé roviny vztažená k referenci. Dosažené výsledky prokazují schopnost modelu ResNet predikovat rotační respektive transformační matice.
Automatic determination of cardiac planes from magnetic resonance (MR) localizer images represents a challenging task that is still performed manually by the scanner operator in clinical practice. The quality and time efficiency of this process heavily depend on the operator’s experience. This thesis focuses on automating the prediction of the orientation and transformation of three main cardiac planes – short–axis (SAX), vertical long–axis (VLA), and horizontal long–axis (HLA) views – using a ResNet-based convolutional neural network that estimates rotation matrices. The SAX model was trained, validated, and tested on 85 original datasets with double augmentation of axial localizer images. To ensure the validity of the predicted matrices as orthogonal rotations, singular value decomposition (SVD) was applied, which also allowed the evaluation of the degree of non-orthogonality in the predictions. The model’s accuracy was further assessed using difference rotation matrices decomposed into Euler angles. The results were visualized using box and bar plots. The HLA and VLA models were trained and tested on 78 original datasets with double augmentation and evaluated using metrics based on the deformation of a reference grid by a difference matrix, with results visualized via box plots. For comparison with previously published studies, the absolute angular deviation between the normal vectors defining each plane and the reference orientation was also computed. The achieved results demonstrate the ability of the ResNet model to predict rotation and transformation matrices.
Automatic determination of cardiac planes from magnetic resonance (MR) localizer images represents a challenging task that is still performed manually by the scanner operator in clinical practice. The quality and time efficiency of this process heavily depend on the operator’s experience. This thesis focuses on automating the prediction of the orientation and transformation of three main cardiac planes – short–axis (SAX), vertical long–axis (VLA), and horizontal long–axis (HLA) views – using a ResNet-based convolutional neural network that estimates rotation matrices. The SAX model was trained, validated, and tested on 85 original datasets with double augmentation of axial localizer images. To ensure the validity of the predicted matrices as orthogonal rotations, singular value decomposition (SVD) was applied, which also allowed the evaluation of the degree of non-orthogonality in the predictions. The model’s accuracy was further assessed using difference rotation matrices decomposed into Euler angles. The results were visualized using box and bar plots. The HLA and VLA models were trained and tested on 78 original datasets with double augmentation and evaluated using metrics based on the deformation of a reference grid by a difference matrix, with results visualized via box plots. For comparison with previously published studies, the absolute angular deviation between the normal vectors defining each plane and the reference orientation was also computed. The achieved results demonstrate the ability of the ResNet model to predict rotation and transformation matrices.
Description
Keywords
srdeční roviny, krátká osa, vertikální dlouhá osa, horizontální dlouhá osa, hluboké učení, ResNet, afinní transformace, geometrická rotace, axiální lokalizátory, Eulerovy úhly, singulární dekompozice, cardiac planes, short–axis, vertical long–axis, horizontal long–axis, deep learning, ResNet, affine transformation, geometric rotation, axial localizers, Euler angles, singular value decomposition
Citation
PANÁČEK, O. Automatické nalezení srdečních rovin v MR obrazech srdce [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2025.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
bez specializace
Comittee
prof. Ing. Martin Černý, Ph.D. (předseda)
doc. Ing. Radim Kolář, Ph.D. (místopředseda)
Ing. Vratislav Harabiš, Ph.D. (člen)
Ing. Filip Plešinger, Ph.D. (člen)
Ing. Vratislav Čmiel, Ph.D. (člen)
Ing. Tomáš Vičar, Ph.D. (člen)
Date of acceptance
2025-06-17
Defence
Student prezentoval výsledky své práce a komise byla seznámena s posudky.
Prof. Černý se doptal na detaily o implementovaných vlastních řešeních studenta a použitých hodnotících metrikách.
Ing. Harabiš se doptal na vznik referenčních dat.
Ing. Vičar se doptal na predikci transformační matice.
Doc. Kolář se doptal na motivaci za prací.
Student obhájil diplomovou práci a odpověděl na otázky členů komise a oponenta.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení