Segmentacija CT slik s postopki umetne inteligence z orodjem Monai Label in programom 3D-SlicerOletič, Diana (Avtor) Žibert, Janez (Mentor) Kocet, Laura (Komentor) Mekiš, Nejc (Recenzent) magistrska delaradiološka tehnologijaMonaiMonai Label3D SlicersegmentacijaradiologijaCTjetraledvicemehurUvod: Segmentacija medicinskih slik se v klinični praksi uporablja vsakodnevno. Čeprav ročna segmentacija še zmeraj velja za zlati standard, je časovno zelo zahtevna. Z razvojem globokega učenja pa se vse bolj uveljavljajo polavtomatski in avtomatski modeli segmentacije, ki predstavljajo učinkovito alternativo ročni segmentaciji. Eden izmed programov za segmentacijo medicinskih slik je 3D Slicer, ki je brezplačna odprtokodna programska aplikacija. Med drugim ponuja tudi različne razširitve, kot je Monai Label, ki je inteligentno orodje za avtomatsko segmentacijo medicinskih slik in temelji na metodah globokega učenja. Namen: Namen magistrske naloge je vzpostavitev spletne aplikacije Monai Label, integriranje s programom 3D Slicer in testiranje njunega delovanja na prevzetih CT posnetkih. Primerjali smo polavtomatske segmentacijske postopke programa 3D Slicer z avtomatskimi segmentacijskimi postopki razširitve Monai Label na CT študijah, pridobljenih iz spletne baze TCIA, kjer smo segmentirali jetra, ledvice in mehur. Metode dela: V raziskavi smo pokazali vzpostavljanje spletne aplikacije Monai Label in vzpostavljanje komunikacije s programom 3D Slicer. Nato smo izvedli segmentacije jeter, ledvic in mehurja na prenešenih CT študijah s polavtomatskim postopkom segmentacije s povečevanjem območij in z avtomatskim postopkom segmentacije v razširitvi Monai Label, pri čimer smo uporabili segmentacijski model whole_body_ct_segmentation. Za evalvacijo učinkovitosti segmentacijskih postopkov smo izvedli izračun Dice, kjer smo za referenčne segmentacije uporabili segmentacije iz spletne baze TCIA, bolj natančno CT-ORG slikovnega gradiva. Rezultati: Analiza rezultatov v naši raziskavi potrjuje visoko učinkovitost tako polavtomatskih kot avtomatskih metod segmentacij za jetra, ledvice in mehur. Polavtomatska segmentacija jeter in ledvic je dosegla povprečne Dice koeficiente 0,95 in 0,91, kar je primerljivo z avtomatskimi segmentacijami, kjer smo z modelom whole_body_ct_segmentation dosegli Dice koeficiente 0,96 za jetra in 0,94 za ledvice. Segmentacija mehurja je pokazala podobno visoko učinkovitost, s povprečnimi Dice koeficienti 0,92 tako pri polavtomatskih, kot avtomatskih metodah. Avtomatske segmentacije so bile izvedene bistveno hitreje, v povprečju v 1,64 minutah za 104 organe, kar predstavlja 1116-krat hitrejšo izvedbo v primerjavi s polavtomatskimi metodami. Razprava in zaključek: 3D Slicer se je izkazal kot enostaven za uporabo z vidika neizkušenega uporabnika, tudi integracija z razširitvijo Monai Label je bila nezahtevna. Evalvacija metod je pokazala, da avtomatski modeli, kot je whole_body_ct_segmentation, dosežejo visoke učinkovitosti Dice in neprimerljive časovne prihranke v primerjavi s polavtomatskimi segmentacijami. Uporabnost segmentacijskih metod je široka, od načrtovanja zdravljenja do diagnostike in izobraževanja ter raziskav, kjer avtomatske segmentacije omogočajo natančnejše in hitrejše postopke. Kljub prednostim avtomatskih metod pa je potrebno upoštevati kakovost modelov in primerne nastavitve za optimalne rezultate, še posebej pri uporabi v kliničnih okoljih.[D. Oletič]20242024-10-02 07:47:32Magistrsko delo/naloga163085UDK: 616-07VisID: 138592COBISS_ID: 209879555sl