Samodejna razgradnja kritičnih organov v medicinskih slikah za načrtovanje radioterapijeJeraj, Urban (Avtor) Špiclin, Žiga (Mentor) Rakradioterapijaanatomske strukturekakovost razgradenjCTstrojno učenjegloboke nevronske mreže.Svetovna zdravstvena organizacija poroča, da je rak drugi najpogostejši povzročitelj smrti v svetovnem merilu. Zaradi starajoče se populacije v večini razvitih držav se vsako leto poveča incidenca rakavih obolenj, ki se jih običajno zdravi s kombinacijo kemoterapije, radioterapije in operativnega zdravljenja. V zadnjem času je napredek na področju radioterapije pri točnosti dostave doze ionizirajočega sevanja omogočil obsevanje tumorjev v bližnji okolici kritičnih organov. Pri načrtovanju obsevanja zato potrebujemo natančne razgradnje teh organov in tumorja. V praksi priprava razgradenj temelji na ročnem obrisovanju računalniško tomografskih (CT) slik, kar je za strokovnjake ponavljujoč in časovno potraten proces. Z uporabo metod globokega učenja lahko obrise iz CT slike avtomatsko razgradimo do stopnje, kjer so potrebni le še manjši popravki in tako drastično skrajšamo čas potreben za načrtovanje obsevanja. Poleg tega tako skrajšamo čakalne dobe za onkološke paciente, pri katerih je izid zdravljenja tesno povezan s časom, ki preteče med diagnozo in zdravljenjem. Na področju razgradnje medicinskih slik s konvolucijskimi nevronskimi mrežami je bilo v zadnjih letih objavljenih veliko znanstvenih člankov in študij, vendar so se avtorji večinoma osredotočali na razgradnjo ene specifične anatomske strukture. Pri takem pristopu je težko ovrednotiti delovanje modela za druge anatomske strukture, kot so kritični organi, ki jih je lahko tudi do nekaj deset, pri čemer so nekateri dobro, drugi pa precej slabo razločeni od okoliških tkiv v CT sliki. Cilji naloge so zato bili (i) v znanstveni literaturi poiskati glede na kakovost najboljše metode razgradnje in (ii) jih prilagoditi za sočasno razgradnjo večih kritičnih organov v CT slikah in (iii) izvesti objektivno primerjalno vrednotenje kakovosti razgradnje. Za razgradnjo smo uporabili štiri uveljavljene metode DeepMedic, U-net, nnU-net in InnerEye, ki so temeljile na naprednih konvolucijskih nevronskih mrežah in jih prilagodili za sočasno razgradnjo večih struktur. Določili smo optimalne hiperparametre teh mrež z uporabo neodvisne validacijske množice CT slik. Razgradnje smo vrednotili z izračunom Dice-Sørensovega koeficienta in površinsko izvedenko le-tega. Za vrednotenje smo uporabili zbirke CT slik glave in vratu ter zbirko CT slik prsnega koša s pripadujočimi referenčnimi razgradnjami kritičnih organov. Poleg tega smo vrednotili tudi delovanje metod na zbirki CT slik pljuč z referenčnimi razgradnjami območja rakavega tkiva (GTV). Izvedli smo tudi eksperimente delno nadzorovanega učenja, pri katerih smo na CT slikah glave in vratu, ki nimajo referenčnih razgradenj, generirali razgradnje z izbranimi metodami, jih pridružili učni množici ter nato ponovili učenje in vrednotenje nevronskih mrež. Vse preizkušene metode so se izkazale kot uporabne za skrajšanje časa priprave razgradenj anatomskih struktur, glede na priporočila o minimalni kakovosti razgradnje v literaturi. Pri trenutnih implementacijah opisanih metod bi moral strokovnjak pregledati in popraviti manjše dele obrisov kritičnih struktur in zato metode niso primerne za samostojno uporabo brez kasnejšege preverbe obrisov. Najboljše rezultate je dala metoda nnU-Net, ki je zato najbolj primerna kot osnova za implementacijo v kliničnem okolju, njena modularna zgradba pa omogoča relativno enostaven nadaljnji razvoj in eksperimente. Rezultati avtomatske razgradnje območja rakavega tkiva pljuč kažejo, da so vse testirane metode v trenutnem stanju neprimerne za razgradnjo tumorjev, ker je potrebno kasneje narediti zelo veliko ročnih popravkov. V tem primeru je očna razgradnja v praksi še vedno časovno bolj učinkovita. Rezultati eksperimentov delno nadzorovanega učenja kažejo, da je v določenih primerih možno uporabiti medicinske slike brez primernih referenčnih razgradenj za izboljšavo delovanja obstoječih modelov. Izvedeni eksperimenti kažejo na veliko uporabno vrednost preizkušenih metod pri pripravi razgradenj kritičnih organov za načrtovanje obsevanja in manjšo uporabno vrednost za razgradnjo območja rakavega tkiva. Zaradi omejene velikosti uporabljene učne in testne zbirke slik je negotovost rezultatov velika in bi bilo v nadaljevanju dela potrebno eksperimente ponoviti z večjimi zbirkami slik, predvsem pri razgradnji območij rakavega tkiva zaradi zelo visoke patološke variabilnosti.[U. Jeraj]20212021-06-04 10:35:00Magistrsko delo/naloga127403UDK: 004.93:616-006(043.3)VisID: 54321COBISS_ID: 66199043sl