Ocena učinkovitosti segmentacije in detekcije pri računalniško vodenem poteku diagnoze na mamografskih slikahCvar, Petja (Avtor) Milič, Jaro (Avtor) Žibert, Janez (Mentor) računalniško voden potek diagnozemamografijasegmentacijaupragovljanjerast področijrojenjestrojno učenjemamografska baza DDSMUvod: Mamografija se je v zadnjih letih razširila kot primarna diagnostična preiskava za detekcijo bolezni dojk, predvsem kot metoda izbora presejalnih programov. Pri sami interpretaciji mamogramov, pravočasnem odkrivanju karcinomov in razlikovanju med benignimi in malignimi tumorskimi masami so v veliko pomoč orodja računalniško vodene diagnoze. Delijo se na Computer Aided Detection (CADe) in Computer Aided Diagnosis (CACx). Omenjena orodja se pri svojem delovanju poslužujejo metod strojnega učenja. Razdelitev slike v homogene regije tekstur je eden prvih korakov pri razumevanju, analizi in poglobljenem vpogledu v dano sliko. Med CAD metode med drugim spadajo tudi segmentacijski algoritmi pri obdelavi digitalnih slik. V nalogi smo osredotočeni na segmentacije z upragovljanjem, segmentacije z določanjem območij in segmentacije z učenjem. Namen: Namen diplomske naloge je ugotoviti, katera izmed izbranih oblik segmentacije v sklopu metod računalniško vodene detekcije najbolj ustrezno segmentira sliko pri izbrani bazi mamografskih slik. Metode dela: Pri pisanju diplomske naloge je bila uporabljena metoda deskripcije pri opisovanju pojmov in metoda kompilacije pri uporabi izpiskov, navedb in citatov drugih avtorjev. Nato je na podlagi knjižnih virov opravljen kvalitativni pregled gradiva z namenom primerjave načinov segmentacije in detekcije interesnih področij na mamografskih slikah izbrani bazi mamografskih slik. Rezultati: Primerjane so študije, ki testirajo svoje metode segmentacije in detekcije na javno dostopni bazi mamografskih slik Digital Database For Screening Mammography (DDSM). Opravljen je pregled rezultatov v obliki tabele in ovrednoteni so posledični izsledki. Komentirali smo prednosti in slabosti različnih metod in predlagali najučinkovitejšo. Razprava in zaključek: Zaključimo lahko, da metode, predlagane s strani pregledanih študij zadovoljivo interpretirajo sliko pri izbrani bazi mamografskih slik, a ne dosegajo enako konsistentnih rezultatov kot zdravniki specialisti. Na podlagi pregledanih raziskav lahko sklepamo, da višje rezultate dosegajo segmentacije, ki uporabljajo pri svojem delovanju strojno učenje in proces rojenja. Težavo pri doseganju ponovljivih in primerljivih rezultatov študij predstavlja uporaba različnih mamografskih slik za analizo in adaptacija nevronskih mrež s strani raziskovalcev. Preden se lahko CADe (angl. Computer Aided Detection) metode uvrstijo med komplementarne tehnike pri diagnostiki mamografskih slik v sami klinični praksi, je potreben nadaljnji razvoj področja in konsistentno doseganje zadovoljivih rezultatov, predvsem visokih vrednosti senzitivnosti, točnosti in AUC.20192019-10-04 07:46:11Diplomsko delo/naloga111604sl