Avtomatska morfometrija glave ploda iz magnetnoresonančne slikeParkelj, Anja (Avtor) Špiclin, Žiga (Mentor) Ventrikulomegalijaplodmagnetna resonancasuper-ločljivostna rekonstrukcijaodločitveno drevocentiliavtomatska morfometrijaV magistrskem delu je obravnavana problematika avtomatske morfometrije glave ploda na osnovi magnetnoresonančnih (MR) slik. Glavni cilj raziskave je izboljšati prenatalno diagnostiko ventrikulomegalije (VM), ki predstavlja eno izmed najpogostejših nevroloških anomalij plodov. VM se kaže kot povečani stranski možganski ventrikli s premerom 10 mm ali več in je pogosto povezana s potencialnimi nevrološkimi težavami po rojstvu. Kljub temu, da se VM pogosto diagnosticira z ultrazvočno preiskavo, so MR slike natančnejše pri zaznavanju subtilnih nepravilnosti in so zato ključnega pomena pri nadaljnjih preiskavah. Magistrska naloga obravnava uporabo naprednih metod globokega učenja, za avtomatizacijo procesa merjenja biometričnih značilnosti ploda iz MR slik. V praksi so ta merjenja izvedena ročno s strani radiologov, kar je časovno zahteven in občutljiv proces, saj je podvržen napakam, ki so posledica subjektivnosti ali slabe kakovosti slik. Z namenom izboljšanja natančnosti in zanesljivosti diagnostike je bil predlagan postopek, ki avtomatizira meritve. V prvem delu raziskave so bile analizirane metode za super-ločljivostno rekonstrukcijo 3D MR slik na osnovi 2D skladov MR slik. Ta korak je ključen, saj omogoča natančno vizualizacijo možganskih struktur in njihovo nadaljnjo obdelavo. V raziskavi smo uporabili podatkovno bazo s strani UKC Ljubljana, ki vsebuje 2D sklade MR slih zdravih primerov in primerov z različnimi stopnjami VM. Gestacijska starost plodov uporabljenih v raziskavi je od 22 do 36 tednov. Za rekonstrukcijo smo uporabili algoritem NiftyMIC. V drugem delu smo na super-ločljivostni rekonstrukciji možganov ploda uporabili algoritem, ki uporablja globoko učenje za lokalizacijo oslonilnih točk, ki so potrebne za izvajanje 11 standardnih biometričnih meritev. Algoritem je bil naučen na 81 3D rekonstruiranih MR slikah, ki smo jih pridobili po prvem koraku. V tretjem delu smo preverili sposobnost razločevanja meritev na zdrave in patološke. Kot vhod smo uporabili meritve pridobljene v drugem koraku in izračunali centile po smernicah za zdrave plode pri različnih GA. S pomočjo odločitvenih dreves smo analizirali uspešnost diagnostike med različnimi oblikami VM in zdravimi primeri. Poleg tega je algoritem sposoben ločiti VM glede na njeno resnost, pri čemer so bili ventrikli razdeljeni na tri podskupine: blago VM (10-12 mm), zmerno VM (13-15 mm) in hudo VM (nad 15 mm). Ugotovili smo, da na uspešnost rekonstrukcije 3D MR slik vplivajo natančnost zajema slik v smislu ortogonalne postavitve ploda in artefaktov v 2D slikah. Uspešno rekonstrukcijo smo dosegli na 73,63% primerih. Na rekonstruiranih 3D MR slikah, smo s predlaganim postopkom za zaznavo 22 oslonilnih točk dosegli srednjo lokalizacijsko napako 3,73±1,80 mm. Slednja napaka je malo večja kot pri podobnih raziskavah, ki so se osredotočale le na specifične anatomske točke v glavi in ne na celostno analizo. Pri določanju diagnoze z odločitvenim drevesom, smo ugotovili da je ločitev na zdrave in patološke primere uspešna, natančnost ločevanja pa se je zmanjšala, tudi na račun majhnega števila primerov, s povečanjem kompleksnosti diagnoze, tj. pri diagnostiki različnih oblik VM. Z magistrsko nalogo smo želeli pokazati prednosti uporabe metod globokega učenja na kliničnih primerih kot komplementarno orodje pri klasični diagnostiki. Pri tem smo želeli upoštevati, da kot rezultat ne vrnemo le rezultata ampak tudi informacije na podlagi katerih je bila diagnoza sprejeta, kar omogoča hiter vpogled v razvoj ploda.20242024-10-22 12:10:03Magistrsko delo/naloga164323VisID: 62666COBISS_ID: 217568771sl