Generiranje računalniško tomografskih slik iz magnetno resonančnih slik področja glave in vratu na podlagi umetne inteligence z uporabo difuzijskih modelovŠTER, ROK MARKO (Avtor) Vrtovec, Tomaž (Mentor) Podobnik, Gašper (Komentor) Radioterapijaračunalniška tomografijamagnetna resonancadifuzijski modelidifuzijaumetna inteligencagloboko učenjesintetične slikeračunalniško podprta analiza medicinskih slikV obsegu magistrske naloge obravnavamo uporabo difuzijskih modelov za sintezo računalniško tomografskih (angl. computed tomography, CT) slik iz magnetno resonančnih (angl. magnetic resonance, MR) slik na področju glave in vratu za namene radioterapije. Radioterapija raka na področju glave in vratu zahteva natančno lokalizacijo tumorskega tkiva in kritičnih organov (angl. organs-at-risk, OAR) v človeškem telesu. Tradicionalno se za ta namen uporabljajo CT in MR slike. Predvsem za orisovanje kostnih tkiv in nekaterih drugih struktur nudijo CT slike dober kontrast, poleg tega vsebujejo tudi informacijo o elektronski gostoti, ki je nujna za izračun načrta obsevanja. Ker je natančnost orisovanja ključnega pomena za uspešno obsevanje, se v klinični praksi pogosto zajame tudi MR slike, ki ponujajo boljši kontrast mehkih tkiv, kar pripomore k izboljšani lokalizaciji tumorjev in OAR. V sklopu magistrskega dela raziskujemo možnost uporabe MR-samostojnega načrtovanja obsevanja (angl. MR-only radiotherapy planning) kot alternativo tradicionalnemu pristopu, ki temelji na CT slikah. Prednost tega pristopa je preprečevanje izpostavljenosti ionizirajočemu sevanju, ki je neizogiben del CT slikanja, kar je še zlasti pomembno pri otrocih, zaradi povečanega tveganja za razvoj rakavih obolenj. V magistrskem delu se osredotočimo na razvoj in vrednotenje modelov umetne inteligence, natančneje difuzijskih modelov za sintezo sintetičnih CT slik na podlagi MR slik. Za vrednotenje kakovosti generiranih sintetičnih slik smo uporabili sledeče kvantitativne metrike: indeks strukturne podobnosti slike (angl. structural similarity index measure, SSIM), vršno vrednost signal-šum (angl. peak signal-to-noise ratio, PSNR), Fréchet-evo razdaljo (angl. Fréchet inception distance, FID) in povprečno absolutno napako (angl. mean absolute error, MAE). Kvalitativna analiza je pokazala, da so sintetične CT slike podobne realnim CT slikam, kar potrjujejo tudi kvantitativni rezultati, kjer smo dosegli sledeče povprečne vrednosti: 92,2 % SSIM, 33,1 dB PSNR, 3,6 FID in 35,3 HU MAE. Kvantitativne metrike smo izračunali tudi na slikah elektronske gostote in primerjali uspešnost segmentacije OAR na sintetičnih in realnih CT slikah. Glavni prispevki tega dela so: razvoj in implementacija difuzijskih modelov za sintezo CT slik iz MR slik, specifično za področje glave in vratu; podrobna analiza vpliva različnih nastavitev modelov in tehnik sestavljanja tridimenzionalnih slik na kvaliteto generiranih slik; empirično vrednotenje uporabnosti sintetičnih CT slik pri segmentaciji kritičnih anatomskih struktur. Ugotavljamo, da difuzijski modeli predstavljajo obetaven pristop za generiranje sintetičnih CT slik iz MR slik, ki imajo uporabno vrednost v sklopu samostojnega načrtovanja obsevanja na podlagi MR slik.20252025-02-12 15:25:00Magistrsko delo/naloga167275VisID: 62723COBISS_ID: 233510147sl