Metody hlubokého učení pro automatické rozpoznání a klasifikaci lymfatických uzlin u metastáz karcinomu plic

Abstract

Tato diplomová práce se zabývá analýzou CT obrazových dat s cílem detekce metastatického postižení lymfatických uzlin u pacientů s karcinomem plic. Hlavním cílem bylo navrhnout a vyhodnotit přístup, který by umožnil klasifikaci pacientů na základě obrazových dat bez nutnosti invazivního histologického vyšetření. V práci byly nejprve porovnány přístupy segmentace pomocí 2D a 3D konvolučních neuronových sítí, přičemž 3D model založený na frameworku nnU-Net dosahoval výrazně lepších výsledků díky využití prostorového kontextu. Na segmentaci navazovala klasifikace pacientů, kde byly testovány různé přístupy, včetně klasických metod strojového učení, klasifikace založené na ROI oblastech a modelu pracujícího s celým CT objemem a segmentačními maskami. Výsledky ukazují, že klasifikace na úrovni celého pacienta výrazně překonává přístupy založené na izolovaných ROI oblastech. Nejlepších výsledků bylo dosaženo při využití kombinace CT dat, segmentačních masek a objemových příznaků. Dále bylo prokázáno, že použití automaticky generovaných masek nevede ke zhoršení klasifikačního výkonu, což podporuje možnost vytvoření plně automatizovaného systému.

This diploma thesis focuses on the analysis of CT imaging data for the detection of metastatic involvement of lymph nodes in patients with lung cancer. The main objective was to design and evaluate an approach that enables patient classification based on imaging data without the need for invasive histological examination. First, different segmentation approaches were compared, including 2D and 3D convolutional neural networks. The 3D model based on the nnU-Net framework achieved significantly better results due to its ability to capture spatial context. The segmentation step was followed by patient classification, where multiple strategies were evaluated, including classical machine learning methods, ROI-based classification, and a model utilizing the entire CT volume combined with segmentation masks. The results show that classification at the patient level significantly outperforms approaches based on isolated ROI regions. The best performance was achieved using a combination of CT data, segmentation masks, and volumetric features. Furthermore, it was demonstrated that the use of automatically generated masks does not degrade classification performance, supporting the feasibility of a fully automated pipeline.