Učinkovitost različnih metod segmentacije magnetno resonančnih slik prostatePušnik, Nina (Avtor) Žibert, Janez (Mentor) Kocet, Laura (Komentor) Fošnarič, Miha (Recenzent) magistrska delaradiološka tehnologija3D SlicerMONAI Labelumetna inteligencamagnetna resonancaprostatasegmentacijaradiologijaUvod: Umetna inteligenca vse bolj spreminja področje medicinske diagnostike, še posebej na področju obdelave medicinskih slik. Eden ključnih postopkov pri tem je segmentacija, ki omogoča natančno določanje anatomskih struktur. Z razvojem metod globokega učenja so se pojavile nove možnosti za avtomatsko, hitrejšo in ponovljivo segmentacijo. V tej nalogi smo preučili uporabo programa 3D Slicer in razširitve MONAI Label za avtomatsko segmentacijo magnetno resonančnih slik prostate ter primerjali njeno učinkovitost z referenčno izvedeno segmentacijo. Namen: Magistrska naloga obravnava uporabo umetne inteligence za segmentacijo MR slik prostate v programu 3D Slicer z orodjem MONAI Label ter primerja rezultate z ročno in polavtomatsko segmentacijo. Namen je oceniti učinkovitost in čas izvajanja različnih pristopov ter ugotoviti prednosti umetne inteligence pri prepoznavanju anatomskih struktur. Rezultati bodo pokazali, kako lahko uporaba umetne inteligence pospeši delovne procese in izboljša klinično uporabnost segmentacije v radiologiji. Metode dela: V magistrskem delu smo uporabili deskriptivno in eksperimentalno metodo. Najprej smo z analizo literature raziskali obstoječe pristope k segmentaciji magnetno resonančnih slik prostate. V eksperimentalnem delu smo izvedli ročno, polavtomatsko in avtomatsko segmentacijo petnajstih T2-uteženih magnetno resonančnih slik prostate. Rezultate smo primerjali z referenčnimi segmentacijami, ki so jih predhodno izvedli izkušeni radiologi. Učinkovitost posameznih metod smo ocenili s pomočjo koeficienta podobnosti Dice in časa izvedbe segmentacije, pri čemer smo se osredotočili na centralno žlezo in periferno območje. Med drugim smo merili tudi volumen prostate in izvedli statistično analizo podatkov. Rezultati: Rezultati so pokazali razlike v času in učinkovitosti med ročno, polavtomatsko in avtomatsko segmentacijo magnetno resonančnih slik prostate. Ročna segmentacija je bila najnatančnejša glede podobnosti z referenčnimi podatki, vendar tudi najbolj časovno zahtevna. Avtomatska segmentacija je dosegla visoke vrednosti Dice koeficienta in bila bistveno hitrejša od ostalih metod. Polavtomatska metoda se je izkazala kot najmanj natančna, z največjimi odstopanji v oceni volumna prostate. Skupni rezultati kažejo, da avtomatska segmentacija ponuja najboljše razmerje med učinkovitostjo in hitrostjo, še posebej pri segmentaciji centralne žleze, medtem ko je učinkovitost v perifernem območju pri vseh metodah nekoliko slabša. Razprava in zaključek: Rezultati raziskave potrjujejo, da ima umetna inteligenca pomembno vlogo pri segmentaciji magnetno resonančnih slik prostate. Avtomatska metoda z uporabo MONAI Label se je izkazala kot najhitrejša in volumsko najnatančnejša, z najvišjimi vrednostmi Dice koeficienta. Ročna segmentacija se je izkazala prepočasna za rutinsko uporabo, medtem ko je bila polavtomatska metoda najmanj zanesljiva. Zaključimo lahko, da avtomatska segmentacija omogoča učinkovito, ponovljivo in uporabniku prijazno obdelavo slik, kar predstavlja pomemben korak k večji klinični uporabnosti umetne inteligence.[N. Pušnik]20252025-09-16 08:34:28Magistrsko delo/naloga173322sl