Návrh modelu pro prostorové a volumetrické modelování efektivity vlnkové transformace pro 1D a 2D medicínská data

Abstract

Tato diplomová práce se zabývá tvorbou modelu a jeho robustního testování pro sledování a predikci optimálního nastavení vlnkové transformace při filtraci a dekompozici medicínských 1D a 2D dat. V práci jsou vytvořeny a robustně testovány procedury pro hodnocení kvality filtrace na vybraných datasetech 1D signálů a 2D obrazů, a to pro velké množství variabilního nastavení, které vlnková transformace nabízí, a velký rozsah šumových intenzit s možností volby konkrétního typu šumu. Kvalita filtrace je hodnocena na základě evaluačních parametrů, kterými jsou střední kvadratická chyba, euklidovská vzdálenost, index korelace a index strukturální podobnosti. Na základě těchto parametrů je hodnocena kvalita, přesnost a konzistentnost filtrace jednotlivých nastavení vlnkové transformace u konkrétního typu šumu. Pro predikci kvalitního nastavení jsou realizovány 2D mapy, které barevně vyobrazují nejlepší nastavení vlnkové transformace pro zvolená data a konkrétní intenzitu šumu. Následně jsou zpracovány také 3D barevné mapy, na kterých lze rozpoznat nejlepší nastavení vlnkové transformace pro více úrovní intenzit šumu. Na základě procedur je také možné vyobrazit maximální dosažitelnou korelaci pro konkrétní nastavení u všech rodin vlnek v závislosti na dynamicky se měnící intenzitě šumu pro jednotlivé datasety.

This diploma thesis deals with the creation of a model and its robust testing for tracking and predicting the optimal setting of the wavelet transformation during filtering and decomposition of medical 1D and 2D data. Procedures for evaluating the quality of filtering on selected datasets of 1D signals and 2D images are created and robustly tested in the work, for a large number of variable settings that the wavelet transformation offers, and a large range of noise intensities with the option of choosing a specific type of noise. The quality of the filtering is evaluated on the basis of the evaluation parameters, which are the root mean square error, the Euclidean distance, the correlation index and the structural similarity index. On the basis of these parameters, the quality, accuracy and consistency of the filtering of individual settings of the wavelet transformation for a specific type of noise are evaluated. For the prediction of quality settings, 2D maps are implemented, which show in color the best settings of the wavelet transformation for the selected data and specific noise intensity. Subsequently, 3D color maps are also processed, on which the best settings of the wavelet transformation for multiple levels of noise intensities can be recognized. Based on the procedures, it is also possible to visualize the maximum achievable correlation for a specific setting for all wavelet families depending on the dynamically changing noise intensity for individual datasets.