Segmentace medicínských obrazů na základě učení bez učitele: laboratorní úloha

Abstract

Tato bakalářská práce byla zaměřena na regionální segmentaci metod shlukové analýzy, kde byly testovány celkem tři segmentační metody na medicínských datech z různých zobrazovacích modalit. Data pocházela z ultrazvukového zobrazování (UZ), rentgenového zobrazování (RTG), z výpočetní tomografie (CT) a jako poslední z magnetické rezonance (MRI). Data byla získána z radiologického centra Multiscan s.r.o. v Pardubicích a náležitě opatřena podepsáním smlouvy o sdílení dat. Data byla kompletně anonymizována ve formátu DICOM, čímž se splnily podmínky o ochraně a zabezpečení těchto pacientských dat. Cílem bylo vyhodnotit výkon a robustnost segmentačních algoritmů pomocí shlukové analýzy, čímž byl algoritmus K-means, Fuzzy C-means a K-medoids, kde se pomocí vstupních parametrů, jako bylo počet shluků, vzdálenostní metrika a zvolený počet iterací dosáhlo konkrétních výsledků, které se mezi sebou porovnaly a v závěru se určilo, která metoda je vhodná pro segmentaci určitých medicínských dat při implementovaném syntetickém šumu. Degradace jednotlivých vstupních dat byla provedena pomocí šumu Salt and Pepper, Gaussovského a Speckle šumu. K vyhodnocení posloužily evaluační parametry, které určily, jak velký vliv má na segmentaci určitý typ šumu o různé intenzitě a také počty shluků. Výsledky segmentací byly vyneseny v diskrétních grafech. Segmentační procedura byla vyhotovena v softwarovým prostředí MATLAB.

This bachelor's thesis focused on regional segmentation of cluster analysis methods, where a total of three segmentation methods were tested on medical data from various imaging modalities. The data came from ultrasound imaging (US), X-ray imaging (RTG), computed tomography (CT) and, lastly, magnetic resonance imaging (MRI). The data were obtained from the Multiscan s.r.o. radio logy center in Pardubice and duly provided with a data sharing agreement. The data were completely anonymized in DICOM format, thus meeting the conditions for the protection and security of these patient data. The goal was to evaluate the performance and robustness of segmentation algorithms using cluster analysis, namely the K-means, Fuzzy C-means and K-medoids algorithms, where specific results were achieved using input parameters such as the number of clusters, distance metric and the selected number of iterations, which were compared with each other and, in the end, it was determined which method is suitable for segmenting certain medical data with implemented synthetic noise. The degradation of individual input data was performed using Salt and Pepper noise, Gaussian and Speckle noise. The evaluation was performed usingevaluation parameters that determined the influence of a certain type of noise of different intensity and also the number of clusters on the segmentation. The segmentation results were plotted in discrete graphs. The segmentation procedure was performed in the MATLAB software environment.