Metody segmentace a identifikace páteře z RTG obrazových dat

Abstract

Tato diplomová práce se zabývá problematikou segmentace páteře z rentgenových obrazových dat. Teoretická část shrnuje základní informace týkající se anatomie páteře, nejčastějších patologií, způsoby její diagnostiky a rešerši možných segmentačních algoritmů pro tuto úlohu. Praktická část se poté skládá z designu a implementace vybraných segmentačních algoritmů v softwaru MATLAB a následnou evaluaci jejich segmentačních výstupů, konkrétně se jednalo o konvoluční neuronovou síť U-net a metodu Aktivních kontur. Pro porovnání segmentací byla vytvořena manuální anotace páteře rentgenových snímků, která sloužila jako zlatý standard představující ideální segmentaci. Evaluace výsledků proběhla na základě vybraných evaluačních metrik, z nichž největší relevanci má F1 skóre a Jaccardův index – IoU. Z pohledu přesnosti poskytovala značně lepší výsledky metoda aktivních kontur (průměrné hodnoty metrik – F1 = 0,914; IoU = 0,842), která velice důvěryhodně adoptovala strukturu páteře a měla konzistentní výsledky napříč celým datasetem. Výsledky neuronové sítě byly uspokojivé (průměrné hodnoty metrik – F1 = 0,783; IoU = 0,656), avšak značně variabilní, kdy s některými snímky si neuronová síť nedokázala poradit. Z pohledu výpočetního času byla však segmentace za pomocí neuronové sítě U-net mnohonásobně rychlejší a plně automatická.

This diploma thesis describes segmentation of human spine from X-ray image data. The theoretical part summarizes essential knowledge about spine anatomy, common pathologies, different approaches of spine diagnostics and research of possible segmentation algorithms for this task. The practical part consists of designing and implementation of chosen segmentation algorithms in MATLAB software followed by evaluating it’s segmentation outputs, the used algorithms were convolutional neural network U-net and the active contour models. To compare the segmentations, a manual labels of spine from X-ray images were created to serve as a grand truth which represents ideal segmentation. The evaluation of results was based on selected evaluation metrics, the most relevant of which are F1 score and Jaccard index – IoU. In terms of accuracy, the active contour model provided significantly better results (average metrics values – F1 = 0,914; IoU = 0,842), as it adopted the spine structure very reliably and had consistent results across the entire dataset. The results of the neural network were decent enough but highly variable (average metrics values – F1 = 0,783; IoU = 0,656), since there were some images that the neural network coulnd’t segment properly. However, in terms of computational time, segmentation using the U-net neural network was many times faster and fully automatic.