Název:
Klasifikace stupně gliomů v MR datech mozku
Překlad názvu:
Classification of glioma grading in brain MRI
Autoři:
Olešová, Kristína ; Mézl, Martin (oponent) ; Chmelík, Jiří (vedoucí práce) Typ dokumentu: Diplomové práce
Rok:
2020
Jazyk:
slo
Nakladatel: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstrakt: [slo][eng]
Táto práca sa zaoberá klasifikáciou mozgových gliómových nádorov na nízko a vysoko agresívne nádory a predikciou doby prežitia pacientov po úplnej resekcii nádoru na základe obrazových dát dostupných z magnetickej rezonancie. Použité obrazy pochádzajú z výzvy BRATS challenge 2019 a každý súbor dát obsahoval informáciu zo štyroch váhovacích sekvencií. Práca je implementovaná v jazyku PYTHON a programovom prostredí Jupyter Notebooks. Pri výpočte obrazových príznakov bola použitá knižnica PyRadiomics. Cieľom práce bolo zistiť, z ktorej oblasti nádoru a váhovacej sekvencie je najvýhodnejšie počítať príznaky a následne nájsť súbor príznakov s ktorým by bola získaná najvyššia úspešnosť klasifikácie a predikcie prežitia. V práci sa nachádza aj vyhodnotenie predikcie prežitia na základe štatistických metód analýzy prežitia, konkrétne Coxovou regresiou.
This thesis deals with a classification of glioma grade in high and low aggressive tumours and overall survival prediction based on magnetic resonance imaging. Data used in this work is from BRATS challenge 2019 and each set contains information from 4 weighting sequences of MRI. Thesis is implemented in PYTHON programming language and Jupyter Notebooks environment. Software PyRadiomics is used for calculation of image features. Goal of this work is to determine best tumour region and weighting sequence for calculation of image features and consequently select set of features that are the best ones for classification of tumour grade and survival prediction. Part of thesis is dedicated to survival prediction using set of statistical tests, specifically Cox regression
Klíčová slova:
brain tumours; Cox regression; feature selection; machine learning; MRI; overall survival prediction; radiomics; random forest
Instituce: Vysoké učení technické v Brně
(web)
Informace o dostupnosti dokumentu:
Plný text je dostupný v Digitální knihovně VUT. Původní záznam: http://hdl.handle.net/11012/189245