Avtomatična detekcija artefaktov v računalniški radiografijiGrom, Karmen (Avtor) Žibert, Janez (Mentor) Izlakar, Jani (Komentor) kontrola kakovostiračunalniška radiografijaartefaktiumetna inteligencakonvolucijska nevronska mrežaUvod: Dandanes splošna radiologija še vedno predstavlja primarno slikovno tehniko, zato je potreba po izboljšanju kakovosti rentgenskih slik več kot utemeljena. Kljub velikemu tehnološkemu napredku digitalne radiografije pa se v praksi še vedno srečujemo z artefakti, ki vodijo k slabi kakovosti radiogramov. Namen: Namen je avtomatizirati zaznavanje artefaktov na CR sistemu s pomočjo konvolucijske nevronske mreže. Metode dela: Po vnaprej določenem protokolu smo pridobili vzorec 269 homogenih slik, pridobljenih na 31 CR ploščah. Celotni vzorec je bil ocenjen s strani dveh ocenjevalcev, ki sta določala prisotnost artefaktov. Artefakte smo razvrstili v pet skupin - prah, umazanija in razpoke, ghosting in nehomogenost, ravne linije in proge, nazobčani artefakti in drugo. Slike smo obdelali ter vnesli v prilagojeno in doučeno nevronsko mrežo AlexNet. Za učenje razpoznavanja posamezne skupine artefaktov smo zbrani vzorec razdelili v učni (80 %) in testni del (20 %). Model nevronske mreže za vsako testirano sliko poda verjetnost za prisotnost artefakta. Zaključni korak je predstavljala validacija naučenih modelov nevronskih mrež za vsak artefakt posebej, kjer smo za glavno mero učinkovitosti izbrali AUC mero. Rezultati: Najboljše rezultate smo dosegli pri skupinah nazobčani artefakti (AUC=100 %), drugo (AUC=99,02 %) in ghosting ter nehomogenost (AUC=97,62 %). V skupini nazobčanih artefaktov in drugo smo zajeli malo predstavnikov omenjenih artefaktov, vendar kljub temu lahko ugotovimo, da smo uspešno zaznali obe skupini, verjetno tudi zaradi izstopanja artefaktov. Slabšo detekcijo artefaktov pa lahko opazimo pri skupinah lokalnih artefaktov - prah, umazanija in razpoke (AUC=83,70 %) ter linije in proge (AUC=81,21 %), saj predpriprava slike za vnos v nevronsko mrežo AlexNet, zahteva skaliranje slike na dimenzije 227×227 pikslov. Artefakti manjših dimenzij se posledično s skaliranjem slike izgubijo. Razprava in zaključek: Metoda globokega učenja z doučevanjem in prilagoditvijo konvolucijske nevronske mreže AlexNet, se je izkazala za zelo učinkovit model za detekcijo artefaktov na CR slikah. Iz rezultatov analize lahko zaključimo, da je avtomatična detekcija artefaktov s pomočjo nevronske mreže učinkovita predvsem pri zaznavanju globalnih artefaktov. Kljub vsemu pa lahko ugotovimo visoko zmožnost zaznavanja najpogosteje prisotnih artefaktov in s tem posledično tudi potencialno uporabo sistema za avtomatično detekcijo artefaktov v kliničnem okolju.20192019-04-21 07:45:58Magistrsko delo/naloga107510sl