Uporaba algoritmov umetne inteligence pri detekciji pljučnih nodulovJošt, Jaka (Avtor) Žibert, Janez (Mentor) Viltužnik, Rebeka (Komentor) Fošnarič, Miha (Recenzent) magistrska delaradiološka tehnologijaumetna inteligencaCADračunalniška tomografijapljučni nodulsegmentacijaavtomatska detekcijaUvod: Radiologija predstavlja vodilno vlogo pri raziskovanju medicinske digitalne tehnologije in uporabe umetne inteligence (UI). V zadnjih letih so se uveljavili algoritmi umetne inteligence, ki lahko radiologom pomagajo pri njihovem vsakdanjem delu. Reševanje določenih zahtevnih primerov pljučnega raka so lahko za radiologe zahtevne, kar pa je za uporabo algoritmov UI lažje in nezahtevno. Namen: Namen magistrskega dela je bralcu predstaviti področje umetne inteligence s poudarkom na detekciji pljučnih nodulov in na podlagi serije primerov ugotoviti kako lahko orodja UI pripomorejo k olajšanju dela radioloških inženirjev, radiologov in omogočijo hitrejšo obravnavo bolnikov. Metode dela: Raziskavo smo izvedli v dveh delih. V prvem delu smo uporabili deskriptivno metodo dela. Pri tem smo uporabili različne podatkovne baze kot so Medline, PubMed... . V drugem delu pa smo s pomočjo odprtokodnih programov izvedli študijo primera, s katero smo ugotovili učinkovitost orodij umetne inteligence. V študiji smo uporabili 20 primerov, katere smo pridobili v podatkovni bazi Kliničnega inštituta za radiologijo, Univerzitetnega kliničnega centra Ljubljana in podatkovne baze LUNA16. Rezultati: V sklopu magistrskega dela smo ugotovili, da model Lung Nodule CT Detection, ki je del MONAI Label, v primeru slik iz vsakdanjega kliničnega okolja odkrije 14 resnično pozitivnih nodulov in 53 lažno pozitivnih nodulov. V magistrskem delu smo želeli preveriti tudi, kako dober je model Lung Nodule CT Detection v primeru slik iz podatkovne baze LUNA16, na kateri je bil model tudi naučen. Ugotovili smo, da model zazna 18 resnično pozitivnih nodulov in 137 lažno pozitivnih nodulov. Tekom raziskave smo ugotovili, da se s parametroma score_tresh in nms_tresh lahko bistveno izboljša razmerje lažno pozitivnih rezultatov. Razprava in zaključek: V sklopu našega magistrskega dela smo ugotovili, da model Lung Nodule CT Detection po predhodni označitvi ROI dodatno označi pljučni nodul in ga pravilno detektira. Model ima nekaj pomanjkljivosti, saj nam poda tudi nekaj FP rezultatov, ki pa jih lahko v prihodnje še zmanjšamo s parametroma score_tresh in nms_tresh.[J. Jošt]20252025-10-08 12:26:24Magistrsko delo/naloga174672sl