Označevanje žilja Willisovega kroga v angiografskih slikah z modeli globokega učenjaTASIČ, JAN (Avtor) Špiclin, Žiga (Mentor) Bizjak, Žiga (Komentor) avtomatsko označevanje intrakranialnega žiljagloboko učenjeWillisov krogkvantitativno vrednotenjeBolezni možganskega ožilja so drugi najpogostejši vzrok smrti na svetu. Njihovo pravočasno odkrivanje in zdravljenje je ključnega pomena pri uspešnem preprečevanju zdravstvenih zapletov in celo smrti. V tem zaključnem delu smo se osredotočili na anatomsko označevanje možganskih arterij, ki omogoča izločanje presečnih meritev in primerjave med zdravimi in patološkimi oblikami možganskega žilja. Omenjene primerjave omogočajo iskanje geometrijskih faktorjev, ki določanjo tveganje za razvoj in nastanek bolezni žilja. Avtomatizacija postopka označevanja je pomemben korak k večji točnosti, zanesljivosti in hitrosti ter njegovi praktični uporabnosti. Za označevanje arterij Willisovega kroga, ki na primer predstavlja področje največje pojavnosti možganskih anevrizem, smo (re)implementirali in kvantitativno vrednotili postopke 3D globokega učenja kot so PointNet, PointNet++, DGCNN in HodgeNet. V primerjavi z drugimi uveljavljenihmi postopki označevanja Willisovega kroga so omenjeni postopki zelo računsko učinkoviti, saj ne potrebujejo predhodne predobdelave vhodnih slik; le-ta običajno vključuje ročne popravke izločenega žilja in je zato časovno zahtevna. Za namene preizkušanja smo pripravili zbirko 165 ročno označenih arterij Willisovega kroga, pridobljenih iz štirih podatkovnih baz magnetno resonančnih angiografskih (MRA) slik intrakranialnega žilja. Vrednotenje delovanja postopkov označevanja smo izvedli na več oblikah vhodne informacije, na primer na točkovnih koordinatah, preizkušali smo tudi učinek dodatnih značilnic, kot so sivinske vrednosti vokslov. Postopki 3D globokega učenja so dosegali točnost označevanja med 85 in 95 \% Diceovega koeficienta (postopek PointNet++), kar je primerljivo z večino obstoječih metod, medtem ko je proces označevanja posamezne angiografske slike povprečno trajal le nekaj sekund. Dodatne značilnice pri učenju so v povprečju izboljšale rezultat za 3 \%. Rezultati so pokazali konkurenčnost postopkov 3D globokega učenja in velik potencial za praktično uporabo.20222022-07-04 08:55:00Magistrsko delo/naloga137854sl