2019
informatika
Szaliencia Alapú Tumor Szegmentálás Agyi MRI adatokon
Témavezető:
Dr. Manno-Kovács Andrea
Dr. Manno-Kovács Andrea
Összefoglaló
Ebben a dolgozatban egy újszerű, vizuális szaliencia alapú, automatikus agytumor szegmentáló algoritmus kerül bemutatásra MRI adatokon. Ezt a szaliencia alapú algoritmust a későbbiekben fuzionáljuk neurális hálózatok valószínűségi térképeivel, magasabb teljesítmény elérése érdekében.
A bemutatott algoritmushoz a BRATS2015 adatbázis MRI képeit használtuk fel, és a szaliencia számítás egy state-of-the-art módszert vesz alapul. Az algoritmus lényege, hogy a különböző MRI modalitásokat RGB színcsatornaként kezeli, és kiemeli a tumort – ami különbözik a háttértől. A különbség kiemeléséhez intenzitás és pozíció alapú szaliencia számítást hajtunk végre a konstruált RGB képen.
A legnagyobb hátránya ennek a megközelítésnek a nagy mennyiségű hamis pozitív eredmény, ami a beépített anatómiai tudás és utófeldolgozás hiányából ered. Így, a dolgozatban bemutatott algoritmus egy újszerű MRI modalitás kombinációt alkalmaz a potenciális tumorok hatékonyabb kiemelésére egy egészséges agyszeletekből álló sablon segítségével, ami a beépített anatómiai információt reprezentálja.
Az algoritmus szaliencia számítása megegyezik a bemutatott state-of-the-art számításaival, de ennek fejlesztéseként kihasználtuk a szomszédos agyszeleteken lévő tumorok hasonlóságait, és a szaliencia térkép nem csupán egy szeletből, hanem 3 szomszédos szeletből számolódik, különböző súlyokkal. A szaliencia térképet felhasználva a tumor körvonalának jobb becsléséhez aktív kontúrt alkalmaztunk. Miután beépítettük az újításokat az algoritmusba, utó-feldolgozási lépéseket is tettünk a hamis pozitív találatok csökkentésére.
Mivel manapság a neurális hálózatokat széles körben alkalmazzák képfeldolgozás területén például szegmentációs feladatokhoz, és a teljesítményük kiemelkedő, így megpróbáltuk beépíteni kétféle neurális hálózat (U-Net és WT-Net) valószínűségi térképeit az algoritmusba. A neurális hálózatok hátránya a túltanulás, és az újfajta adatok gyengébb felismerése, így a bemutatott algoritmus kombinálja a neurális hálózatok eredményét a szalienciával, hogy csökkentse a hálózat túltanulását.
A végső algoritmust a BRATS2015 adatbázison teszteltük, és a kiértékelés azt mutatja, hogy a hibrid modell ígéretes alternatíva lehet magasabb teljesítmény eléréséhez. Így a jövőben a hangsúly egy megfelelő fúziós modell kidolgozásán lesz.
A bemutatott algoritmushoz a BRATS2015 adatbázis MRI képeit használtuk fel, és a szaliencia számítás egy state-of-the-art módszert vesz alapul. Az algoritmus lényege, hogy a különböző MRI modalitásokat RGB színcsatornaként kezeli, és kiemeli a tumort – ami különbözik a háttértől. A különbség kiemeléséhez intenzitás és pozíció alapú szaliencia számítást hajtunk végre a konstruált RGB képen.
A legnagyobb hátránya ennek a megközelítésnek a nagy mennyiségű hamis pozitív eredmény, ami a beépített anatómiai tudás és utófeldolgozás hiányából ered. Így, a dolgozatban bemutatott algoritmus egy újszerű MRI modalitás kombinációt alkalmaz a potenciális tumorok hatékonyabb kiemelésére egy egészséges agyszeletekből álló sablon segítségével, ami a beépített anatómiai információt reprezentálja.
Az algoritmus szaliencia számítása megegyezik a bemutatott state-of-the-art számításaival, de ennek fejlesztéseként kihasználtuk a szomszédos agyszeleteken lévő tumorok hasonlóságait, és a szaliencia térkép nem csupán egy szeletből, hanem 3 szomszédos szeletből számolódik, különböző súlyokkal. A szaliencia térképet felhasználva a tumor körvonalának jobb becsléséhez aktív kontúrt alkalmaztunk. Miután beépítettük az újításokat az algoritmusba, utó-feldolgozási lépéseket is tettünk a hamis pozitív találatok csökkentésére.
Mivel manapság a neurális hálózatokat széles körben alkalmazzák képfeldolgozás területén például szegmentációs feladatokhoz, és a teljesítményük kiemelkedő, így megpróbáltuk beépíteni kétféle neurális hálózat (U-Net és WT-Net) valószínűségi térképeit az algoritmusba. A neurális hálózatok hátránya a túltanulás, és az újfajta adatok gyengébb felismerése, így a bemutatott algoritmus kombinálja a neurális hálózatok eredményét a szalienciával, hogy csökkentse a hálózat túltanulását.
A végső algoritmust a BRATS2015 adatbázison teszteltük, és a kiértékelés azt mutatja, hogy a hibrid modell ígéretes alternatíva lehet magasabb teljesítmény eléréséhez. Így a jövőben a hangsúly egy megfelelő fúziós modell kidolgozásán lesz.
Dr. Manno-Kovács Andrea
