Segmentacija limfomov na slikah PET/CT z umetno inteligencoBavec, Aljaž (Avtor) Studen, Andrej (Mentor) Doma, Andrej (Komentor) limfomFDG PET/CTgloboko učenjennUNetNatančna in učinkovita segmentacija malignih limfomov na slikah pozitronske emisijske tomografije/računalniške tomografije s fluorodeoksiglukozo (FDG PET/CT) bi pripomogla pri pospešitvi in avtomatizaciji procesa segmentacije. Naloga raziskuje uporabo metode globokega učenja nnUNet pri segmentaciji slik limfoma. V nalogi so uporabljene slike FDG PET/CT 202 pacientov. Na slikah je bilo naučenih 9 različnih modelov z različnimi učnimi množicami in hitrostmi učenja. Z naučenimi modeli smo lahko zadovoljivo segmentirali območja limfomov, večja območja so modeli segmentirali najboljše medtem ko manjše lezije limfomov slabše. Izstopal je model, ki je imel največjo učno množico 143 pacientov in 10 h učenja, kar je bil drugi najdaljši čas učenja in je tudi primerljiv po vrednostih metrike Dice z ostalimi modeli segmentiranja tumorjev, ki jih najdemo v literaturi. Ugotovitve te raziskave prispevajo k potencialu umetne inteligence pri kliničnem delu ter ponazarjajo potencial metod globokega učenja, kot je nnUNet. Ker se področje analize medicinskih slik še naprej razvija, integracija naprednih tehnik umetne inteligence obeta bolj personalizirane in učinkovite zdravstvene rešitve.20232023-10-26 07:15:55Magistrsko delo/naloga151933VisID: 138411COBISS_ID: 169893635sl