Segmentacija in volumetrična analiza magnetnoresonančnih slik možganov plodaMasterl, Ema (Avtor) Špiclin, Žiga (Mentor) PlodMR slikanjeVentrikulomegalijaHASTE MRI tehnikaSuper-ločljivostna rekonstrukcija skladov slik v volumenSegmentacijaVolumetrične meritvePercentiliUniformna porazdelitev podatkovAUC vrednostiUMAP projekcijaOdločitveno drevo.Uvod in motivacija problema: Magnetnoresonančno (MR) slikanje omogoča neinvazivno merjenje anatomskih struktur ploda ter spremljanje njegove rasti in razvoja, tako zdravih kot patoloških struktur. Naprimer, ventrikulomegalija označuje povečanje širine v prečnem pogledu vsaj enega od obeh lateralnih ventriklov nad 10 mm ali več. Glede na širino ventriklov ločimo blage, zmerne in hude oblike ventrikulomegalije, pri čemer večja širina ventriklov prinaša slabšo poporodno prognozo. Diagnozo se običajno postavi na podlagi (ročnih) linearnih meritev. V magistrski nalogi predlagamo, da so avtomatsko pridobljene volumetrične meritve iz MR slik prav tako učinkovite za postavitev diagnoze. Podatki: Magistrska naloga obravnava dve podatkovni bazi: UKC in Kispi. Baza UKC vsebuje 2D sklade MR slik zdravih primerov in primerov različnih oblik ventrikulomegalije. Gestacijska starost v bazi se giblje med 22 in 36 tedni, povprečna starost pa je 30 tednov. Kispi baza je nastala v okviru FeTA izziva, ki se osredotoča na segmentacijo možganov ploda. Vključuje 80 3D MR slik v standardni anatomski poziciji, večina primerov je patoloških, specifična patologija pa ni navedena. Gestacijska starost tukaj se giblje med 20,1 in 34,8 tedni, povprečna starost je 26,9 tedna. Za vsak primer smo pridobili tudi ročne segmentacije 7-ih možganskih tkiv. Metode: Razvili smo večkoračni postopek, ki vključuje super-ločljivostno rekonstrukcijo 3D MR slik v standardni anatomski poziciji, avtomatsko segmentacijo možganov, volumetrične meritve, analizo rezultatov ter diagnostiko ventrikulomegalije. Rekonstrukcijo 3D MR slik v standardni anatomski poziciji na osnovi skladov 2D slik UKC baze smo opravili z algoritmom NiftyMIC. Za segmentacijo obeh podatkovnih baz smo uporabili CNN algoritem BOUNTI. Volumetrične meritve smo pridobili s štetjem označenih vokslov. S Kolmogorov-Smirnovim testom smo preverili uniformnost centilov meritev pri zdravih plodih, pri čemer smo centile določili glede na neodvisno referenčno populacijo zdravih plodov. Analizirali smo odvisnost volumetričnih meritev od gestacijske starosti. Pri diagnostiki smo želeli preveriti sposobnost razločevanja meritev na zdrave in patološke, za kar smo uporabili AUC vrednosti (razločevanje s posameznimi meritvami) in UMAP projekcijo (za skupino meritev). Uspešnost diagnostike smo analizirali z uporabo odločitvenih dreves, ki so enostavna za interpretacijo s stališča uporabljenih meritev in optimalnih pražnih vrednosti. Rezultati: Uspešnost rekonstrukcije 3D MR slik je bila odvisna od prisotnosti artefaktov v 2D slikah. Segmentacija je bila najslabša pri globoki sivi možganovini zaradi različnih definicij oz. predpostavk med algoritmom BOUNTI in referenčnimi segmentacijami, ter pri izrazito povečanih lateralnih ventriklih. Uniformno porazdelitev centilov meritev pri zdravih plodih smo dosegli pri UKC bazi za celoten volumen lateralnih ventriklov in levi ventrikel, pri Kispi bazi pa za belo možganovino, levi lateralni ventrikel in male možgane. Volumetrične meritve značilnic levega, desnega in skupnega volumna lateralnih ventriklov odstopajo od zdravih primerov. Meritve lateralnih ventriklov so dosegle največjo zmožnost razločevanja med zdravimi in patološkimi plodi v obeh bazah. UMAP projekcija je pokazala smiselnost uporabe centilov značilnic, pri katerih smo dokazali unformnost porazdelitve za zdravo populacijo. UMAP projekcija UKC baze dobro ločuje med zdravimi primeri in različnimi oblikami ventrikulomegalije, vendar ne more razlikovati med enostransko, asimetrično in simetrično obliko. Podatki Kispi baze se grupirajo v več gruč, vendar zaradi pomanjkanja specifičnih diagnoz ne moremo oceniti uspešnosti projekcije. UMAP prav tako razkriva možen vpliv algoritmov super-ločljivostne rekonstrukcije slik. Diagnoza z odločitvenim drevesom je dobro ločila med zdravimi in patološkimi primeri v obeh bazah, vendar se uspešnost razvrščanja zmanjša pri podrobnejših označbah primerov. Zaključek: Razmejitev podatkov z volumetričnimi meritvami je uspešna pri razlikovanju med zdravimi in patološkimi plodi. Uporaba meritev z uniformno porazdelitvijo pri zdravih plodih poda smiselno razvrščanje, dobro je tudi razvrščanje med hudo in zmerno/blago obliko ventrikulomegalije. Razvrščanje med enostransko, simetrično in asimetrično ventrikulomegalijo je dalo slabe rezultate, verjetno zaradi razmeroma majhnega števila primerov v posameznih kategorijah.20242024-08-23 12:10:01Magistrsko delo/naloga160225VisID: 62720COBISS_ID: 207506435sl