Segmentace volumetrických dat pomocí neuronových sítí

Abstract

Tato práce se zabývá rekonstrukcí kostí očnice z volumetrických dat pro usnadnění detekce zlomenin. Detekce zlomenin očnice je velmi důležitým krokem v diagnostice poranění hlavy a tváře. Nevýhodou této detekce je, že může být poměrně obtížná vzhledem k tomu, jak jsou kosti očnice velmi tenké a náchylné k různým typům zranění, což může vést ke špatné vizualizaci zlomenin na zobrazovacích technologiích, jako jsou CT a MRI. Dalším problémem při detekci zlomenin očnice může být nedostatečná zkušenost radiologa nebo lékaře, kteří danou analýzu obrazových data provádějí. Pokud lékař nemá dostatečnou zkušenost, může přehlédnout nebo nesprávně interpretovat zlomeniny očnice. Kromě toho může být obtížné rozlišit zlomeniny očnice od jiných typů zlomenin nebo zranění, jako jsou trhliny, deformace a jiné. Problém detekce zlomenin očnice se v poslední době řeší pomocí pokročilých algoritmů strojového učení a umělé inteligence, které umožňují přesnou detekci a lokalizaci zlomenin očnice a také vedou k rychlejší a spolehlivější diagnostice, čímž usnadňují práci lékařům a radiologům. K řešení budou využity jazyky C++ a Python s dodatečnými knihovnami.

This work deals with the reconstruction of the orbital bone from volumetric data to facilitate fracture detection. Orbital bone fractures are a crucial step in diagnosing head and facial injuries. Unfortunately, detecting these fractures can be challenging as the orbital bones are thin and prone to various types of injuries, leading to poor visualization on imaging technologies such as CT and MRI. In addition, insufficient experience of radiologists or physicians analyzing imaging data can lead to missed or incorrectly interpreted fractures. Advanced machine learning and artificial intelligence algorithms have recently been used to address this problem, allowing for precise detection and localization of orbital fractures. C++ and Python with additional libraries will be used to solve this problem.