Název: Automatická detekce voxelů AIF v DCE-MRI pomocí metod strojového učení
Překlad názvu: Automatic AIF voxel detection in DCE-MRI using machine learning
Autoři: Frolíková, Štěpánka ; Jiřík, Radovan (oponent) ; Vitouš, Jiří (vedoucí práce)
Typ dokumentu: Diplomové práce
Rok: 2024
Jazyk: eng
Nakladatel: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstrakt: [eng] [cze]
Dynamická kontrastní magnetická rezonance (DCE-MRI) je metoda používaná k hodnocení perfuze tkání. Vyžaduje co nejpřesnější identifikaci a detekci arteriální vstupní funkce (AIF). Manuální značení AIF není dostatečně rychlé a může být dost pracné. Obvykle se ale algoritmy automatické detekce nepoužívají. Cílem této práce je přesné určení AIF pomocí natrénovaného modelu využívající strojového učení. Výsledky natrénovaného modelu jsou porovnány s jinými přístupy, jako je k-means shlukování. Data použitá pro trénování a testování modelu jsou jak reálná, tak syntetická. Syntetická data jsou simulována pomocí farmakokinetického modelu DCATH. Shlukovací model je založen na algoritmu k-means, který je optimalizován pro lidská a myší data. Model strojového učení využívá klasifikátor založený na metodě náhodného lesa v kombinaci se shlukováním. Tato práce hodnotí přesnost použitých metod, jejich výhody a nevýhody. Plně automatická detekce AIF by značně ušetřila délku trvání perfúzní analýzy a kvalitu odhadu AIF. Dynamic Contrast-Enhanced Magnetic Resonance Imaging (DCE-MRI) is a great tool for evaluating tissue perfusion. It requires accurate identification and detection of Arterial Input Function (AIF). Manual identification of AIF is not the fastest and the most effective method. Usually, automatic detection algorithms are not used. This thesis aims to precisely determine AIF using the trained machine learning model and compare the results with different approaches, like clustering. Data used for training and testing the model are both real and synthetic. The synthetic data are simulated using the DCATH pharmacokinetic model. The clustering method uses the K-means algorithm, optimized for human and mouse MRI images. The machine learning model uses a classifier based on the random forest method combined with clustering. The results evaluate this method’s accuracy and explain a model’s advantages and disadvantages. A functional and reliable automatic model will help to speed up the perfusion analysis and improve the quality of diagnosis.
Klíčová slova: Arterial Input Function; Automatic Detection of Arterial Input Function; Clustering algorithm; Data Synthesis; Dynamic Contrast-Enhanced Magnetic Resonance Imaging; Machine Learning Classification Model; Random Forrest Classifier; arteriální vstupní funkce (AIF); automatická detekce AIF; Dynamická kontrastní magnetická rezonance (DCE-MRI); klasifikační model strojového učení; metoda náhodných lesů; shlukovací algoritmus; syntetizace dat

Instituce: Vysoké učení technické v Brně (web)
Informace o dostupnosti dokumentu: Plný text je dostupný v Digitální knihovně VUT.
Původní záznam: https://hdl.handle.net/11012/247171

Trvalý odkaz NUŠL: http://www.nusl.cz/ntk/nusl-618937


Záznam je zařazen do těchto sbírek:
Školství > Veřejné vysoké školy > Vysoké učení technické v Brně
Vysokoškolské kvalifikační práce > Diplomové práce