Moderní inteligentní metody segmentace periosteálního svalku z klinických RTG obrazů

Abstract

Tato diplomová práce se zabývá automatickou segmentací periosteálního svalku z rentgenových snímků zápěstí pomocí hlubokého učení. Teoretická část shrnuje problematiku hojení kostí, periostu, periosteální reakce a základní principy segmentace medicínských obrazů. Praktická část je zaměřena na přípravu dat z databáze GRAZPEDWRI-DX, převod anotací do binárních masek a návrh segmentačních modelů založených na architektuře U-Net. Pro experimenty bylo celkově použito 2 235 snímků s odpovídajícími maskami. Bylo testováno několik konfigurací sítě a různé metody předzpracování vstupních snímků. Nejlepších výsledků mezi modely bez předzpracování dosáhl model v3 s průměrnou hodnotou Dice koeficientu 0,686. Celkově nejlepší výsledky poskytl model PREPROC_v1 s lokální ekvalizací histogramu, který dosáhl průměrné hodnoty Dice koeficientu 0,698 a IoU 0,556. Výsledky ukázaly, že vhodné nastavení architektury a předzpracování obrazu může kvalitu segmentace zlepšit. Práce potvrzuje, že automatická segmentace periosteálního svalku je technicky realizovatelná, avšak zůstává náročná zejména u malých a málo kontrastních lézí.

This diploma thesis deals with the automatic segmentation of periosteal callus in wrist X-ray images using deep learning. The theoretical part summarizes bone healing, the periosteum, periosteal reaction, and the basic principles of medical image segmentation. The practical part focuses on data preparation from the GRAZPEDWRI-DX dataset, conversion of annotations into binary masks, and the design of segmentation models based on the U-Net architecture. A total of 2,235 images with corresponding masks were used in the experiments. Several network configurations and different image preprocessing methods were tested. Among the models trained on raw data, the best results were achieved by model v3 with an average Dice coefficient of 0.6857. The overall best performance was achieved by model PREPROC_v1 using local histogram equalization, with an average Dice coefficient of 0.6982 and IoU of 0.5561. The results showed that suitable architecture settings and image preprocessing can improve segmentation quality. The thesis confirms that automatic segmentation of periosteal callus is technically feasible, although it remains challenging, especially in small and low-contrast lesions.