Segmentacija CT slik celotne hrbtenice in uporaba v praksiPavošev, Michel (Avtor) Vuga, Rok (Avtor) Žibert, Janez (Mentor) Žager Marciuš, Valerija (Recenzent) diplomska delaradiološka tehnologijaTCIAMONAI Labelmetode segmentacije3D SlicerAuto3DSegUvod: Segmentacija je temeljni postopek pri analizi medicinskih slik, ki vključuje prepoznavanje in natančno anotacijo področij interesa. Ločimo ročno segmentacijo, polavtomatsko in avtomatsko. MONAI Label je inteligentno orodje zasnovano na podlagi globokih nevronskih mrež, ki uporabniku omogoča označevanje medicinskih slik, pri čemer so označevalne aplikacije dostopne preko strežnika. Namen: Cilj diplomskega dela je primerjati hitrost in učinkovitost segmentacijskih metod na CT slikah celotne hrbtenice, kar bi omogočilo natančnejšo in lažjo vizualizacijo vretenc za uporabo v klinični praksi. Pri tem bomo uporabili program 3D Slicer ter orodja MONAI Label, Auto3Dseg in segmentacijo s povečevanjem območja. Metode dela: Opravili smo pregled literature, kjer smo iskali vire, na področju segmentacije in njenih metod, pretežno v angleškem jeziku in uporabo tujih podatkovnih baz. Temu je sledila študija primera, pri čemer smo uporabili javno dostopno arhivsko zbirko TCIA za prenos CT slik. Iz celotne zbirke smo izbrali in segmentirali prvih šestnajst preiskav ABD_LYMPH, ki zajemajo področje mediastinuma in abdomna ter tako zagotovili, da je bil na sliki zajet celoten del ledvene in torakalne hrbtenice ter del vratne hrbtenice. Izvajalec ena in izvajalec dva smo, CT posnetke segmentirali na enak način z uporabo polavtomatske in avtomatske segmentacije z orodji Auto3Dseg. Po opravljeni segmentaciji smo uporabili razširitveni vtičnik Slicer RT za izračun koeficienta ujemanja ter primerjali vse rezultate. Naredili smo še statistično analizo rezultatov s t-testom odvisnih vzorcev in ANOVO. Rezultati: Podatke polavtomatske in avtomatske segmentacije modelov Vertebrae TS2 in Whole body segmentation TS2 smo razdelili na porabljen čas in izračunan Dice koeficienta, v drugem delu pa smo rezultate med seboj primerjali, jih grafično prikazali in ugotovili ali obstajajo statistično značilne razlike. Razprava in zaključek: Iz rezultatov smo ugotovili, da je najhitrejši ter natančnejši segmentacijski model Vertebrae TS2. Avtomatska metoda segmentacije je najhitrejši način označevanja slik, v primerjavi s polavtomatsko metodo. Implementacija v praksi bi lahko prinesla spremembe tako na področju izobraževanja, diagnostike in terapije, vendar je potrebno razviti učne strategije.[M. Pavošev : R. Vuga]20262026-09-03 07:47:27Diplomsko delo/naloga186564UDK: 616-07VisID: 163016COBISS_ID: 289894659sl