Automatická detekce voxelů AIF v DCE-MRI pomocí metod strojového učení
Loading...
Date
Authors
Frolíková, Štěpánka
ORCID
Advisor
Referee
Mark
B
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract
Dynamická kontrastní magnetická rezonance (DCE-MRI) je metoda používaná k hodnocení perfuze tkání. Vyžaduje co nejpřesnější identifikaci a detekci arteriální vstupní funkce (AIF). Manuální značení AIF není dostatečně rychlé a může být dost pracné. Obvykle se ale algoritmy automatické detekce nepoužívají. Cílem této práce je přesné určení AIF pomocí natrénovaného modelu využívající strojového učení. Výsledky natrénovaného modelu jsou porovnány s jinými přístupy, jako je k-means shlukování. Data použitá pro trénování a testování modelu jsou jak reálná, tak syntetická. Syntetická data jsou simulována pomocí farmakokinetického modelu DCATH. Shlukovací model je založen na algoritmu k-means, který je optimalizován pro lidská a myší data. Model strojového učení využívá klasifikátor založený na metodě náhodného lesa v kombinaci se shlukováním. Tato práce hodnotí přesnost použitých metod, jejich výhody a nevýhody. Plně automatická detekce AIF by značně ušetřila délku trvání perfúzní analýzy a kvalitu odhadu AIF.
Dynamic Contrast-Enhanced Magnetic Resonance Imaging (DCE-MRI) is a great tool for evaluating tissue perfusion. It requires accurate identification and detection of Arterial Input Function (AIF). Manual identification of AIF is not the fastest and the most effective method. Usually, automatic detection algorithms are not used. This thesis aims to precisely determine AIF using the trained machine learning model and compare the results with different approaches, like clustering. Data used for training and testing the model are both real and synthetic. The synthetic data are simulated using the DCATH pharmacokinetic model. The clustering method uses the K-means algorithm, optimized for human and mouse MRI images. The machine learning model uses a classifier based on the random forest method combined with clustering. The results evaluate this method’s accuracy and explain a model’s advantages and disadvantages. A functional and reliable automatic model will help to speed up the perfusion analysis and improve the quality of diagnosis.
Dynamic Contrast-Enhanced Magnetic Resonance Imaging (DCE-MRI) is a great tool for evaluating tissue perfusion. It requires accurate identification and detection of Arterial Input Function (AIF). Manual identification of AIF is not the fastest and the most effective method. Usually, automatic detection algorithms are not used. This thesis aims to precisely determine AIF using the trained machine learning model and compare the results with different approaches, like clustering. Data used for training and testing the model are both real and synthetic. The synthetic data are simulated using the DCATH pharmacokinetic model. The clustering method uses the K-means algorithm, optimized for human and mouse MRI images. The machine learning model uses a classifier based on the random forest method combined with clustering. The results evaluate this method’s accuracy and explain a model’s advantages and disadvantages. A functional and reliable automatic model will help to speed up the perfusion analysis and improve the quality of diagnosis.
Description
Keywords
Dynamická kontrastní magnetická rezonance (DCE-MRI), arteriální vstupní funkce (AIF), automatická detekce AIF, syntetizace dat, klasifikační model strojového učení, metoda náhodných lesů, shlukovací algoritmus, Dynamic Contrast-Enhanced Magnetic Resonance Imaging, Arterial Input Function, Automatic Detection of Arterial Input Function, Data Synthesis, Machine Learning Classification Model, Random Forrest Classifier, Clustering algorithm
Citation
FROLÍKOVÁ, Š. Automatická detekce voxelů AIF v DCE-MRI pomocí metod strojového učení [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2024.
Document type
Document version
Date of access to the full text
Language of document
en
Study field
bez specializace
Comittee
prof. Ing. Martin Augustynek, Ph.D. (předseda)
Ing. Martin Mézl, Ph.D. (místopředseda)
Ing. Vratislav Harabiš, Ph.D. (člen)
Ing. Filip Plešinger, Ph.D. (člen)
Ing. Tomáš Vičar, Ph.D. (člen)
prof. Ing. Valentýna Provazník, Ph.D. (člen)
Date of acceptance
2024-06-11
Defence
Studentka prezentovala výsledky své práce a komise byla seznámena s posudky. Ing. Mézl položil otázku: Používali jste 2D nebo 3D data? Omezovali jste velikost shlukú při klasifikaci či shlukování? Ing. Plešinger položil otázku dělali jste selekci příznaků jen pro metodu Random Forest, nebo i pro ostatní modely? Studentka obhájila diplomovou práci a odpověděla na otázky členů komise a oponenta.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení