CT felvételeken alkalmazott pontos májszegmentálás fontos a máj betegségek számítógép segített diagnosztizálásában. Az első és lényeges lépés a diagnózis folyamatában a máj szegmentálás, ami egy nehéz feladat, hiszen a szomszédos szövetek intenzitása hasonló, a máj mérete és formája az alanyok között nagymértékben különbözhet és a szervek közti határ néha elmosódott.

A munka célja egy olyan teljesen automatikus szegmentálási módszer létrehozása, ami megfelelő klinikai felhasználásra. Az első módszer, amit bemutatok, tradicionális technikákon alapszik, beleértve a régiónövesztés, aktív kontúr és a valószínűségi sűrűségi függvény alapú küszöbölés. Három fő lépésből áll a módszer. Az első lépés az előfeldolgozás, ahol a metódus előfeldolgozza a bemeneti képet úgy, hogy eltávolítja azon voxelek nagyrészét, melyek intenzitása eltér a májétól és simítja máj felszínét az Egyszerű Lineáris Klaszterező algoritmust használva. A második lépésben Chan-Vese aktív kontúrt alkalmazunk az előfeldolgozott felvételen, hogy további nem-máj voxeleket távolítsunk el a felvételből. Ezután a kiindulási
pontot automatikusan a külső energia mező által választjuk ki. Ebből a pontból indítjuk el a 2D-s régiónövesztést minden szeleten minden irányban. Végül egy 3D-s májmaszkot kapunk, amit utófeldolgozunk a harmadik lépésben az objektumban található lyukak feltöltésével és morfológiai nyitás művelettel.

Következő lépésként a jobb szegmentálási eredmény eléréséhez, fuzionáltuk az előbb leírt módszert egy mély-tanulás alapú modellel. Ez a modell egy CNN alapú módszer, a 3D U-Net hálózat, amit CT és MRI felvételeken tanítottunk és teszteltünk. A kombináció előtt azonban számos fals pozitív voxelt kellett eltávolítani az U-Net eredményeképpen kapott predikciós maszkból. Ezután tudtuk kombinálni az előbb leírt módszer eredményét a javított predikciós maszkkal.

Mindkét módszer egészen jó eredményeket ért el, de a fuzionált metódussal state-of-the-art technikákhoz hasonló eredményeket értünk el, ami jó alkalmazhatóságot mutat a májszegmentálásra. Azonban gyakori hibák mindkét módszer esetén előfordulnak, mint például a nagy távolság a saját eredményünk és a manuális szegmentálás között az erek miatt és túlszegmentálás jelenik meg a szív és a szomszédos hasfal helyén, így a jövőbeli munka célja ezeknek a hibáknak a javítása a fuzionált metódus továbbfejlesztésével.