Sistem za avtomatsko detekcijo artefaktov na mamografskih slikahIskra, Aljaž (Avtor) Žibert, Janez (Mentor) detekcija artefaktovmamografijaobdelava slikestrojno učenjeUvod: Odkrivanje raznovrstnih artefaktov na slikah zaradi posledic različnih dejavnikov je ključnega pomena pri nadzoru kakovosti delovanja mamografskih slikovnih sistemov, ki jo vsakodnevno izvajajo radiološki inženirji. V okviru magistrskega dela smo obravnavali temeljne korake razvoja avtomatskega sistema za detekcijo artefaktov: zajem in označevanje homogenih slik, obdelavo slik za razvoj značilk, izpeljavo in izbiro lastnosti slik, ki merijo verjetnost določene vrste popačenja na sliki ter modeliranje s pomočjo različnih klasifikacijskih modelov in njihovo evalvacijo. Namen: Cilj raziskave je bil razvoj sistema za avtomatsko detekcijo artefaktov na mamografskih slikah, ki bi se lahko uporabljal za analizo delovanja mamografskih slikovnih sistemov v okviru vsakodnevne kontrole kvalitete s pomočjo slikanja homogenih fantomov. Metode dela: Definirali smo protokol za zajem homogenih mamografskih slik, razvili lastnosti za izpeljavo mer kakovosti in testirali različne klasifikacijske metode za detekcijo artefaktov. Sistem je bil razvit z namenom razpoznavanja in zaznavanja artefaktov nehomogenosti kontrasta, ghosting artefaktov, linijskih artefaktov, mrtvih slikovnih elementov ter napak pri samem procesu zajema slike in ostalih artefaktov, ki se najpogosteje pojavljajo na mamografskih in drugih digitalnih rentgenskih slikah. Rezultati: Zajeli smo 542 homogenih slik na 7 različnih mamografskih slikovnih sistemih, na katerih je bilo v 101 primeru prisotnih artefaktov nehomogenosti kontrasta, 53 ghosting artefaktov, 52 linijskih artefaktov, 18 mrtvih slikovnih elementov in 51 primerov drugih napak v povezavi z zajemom slike. Detekcijo artefaktov smo izvedli s pomočjo razvoja različnih značilk in tehnik modeliranja. Izpeljali smo devet različnih mer, ki preučujejo homogenost, teksturo slike, povprečno razliko sivinskih nivojev na izbranem področju, prisotnost linij in mrtvih slikovnih elementov. S pomočjo naslednjih petih klasifikacijskih modelov smo testirali različne kombinacije značilk: z logistično regresijo, metodo naivnega Bayesovega klasifikatorja, metodo odločitvenih dreves, metodo naključnih gozdov in metodo nevronske mreže z večplastnimi perceptroni. Po evalvaciji z navzkrižno validacijo izpusti enega (z izračunom AUC v ROC analizi) smo v 98.6% uspeli zaznati nehomogenosti kontrasta, v 92.2% ghosting artefakte, v 95.1% linijske artefakte, v 100% mrtve slikovne elemente in v 97.8% druga popačenja. Razprava in zaključek: Najboljše rezultate je dala metoda naključnih gozdov, pri kateri smo v klasifikacijo vključili vseh devet mer kakovosti slik, ali v nekaterih primerih samo specifično razvito mero za zaznavo posameznega artefakta.20192019-09-26 07:46:26Magistrsko delo/naloga111217VisID: 94606COBISS_ID: 5698667sl