20.500.12556/RUL-149856 Računalniško podprto določanje oslonilnih točk srčne zaklopke v tridimenzionalnih računalniško tomografskih slikah srca na podlagi globokega učenja Computer-assisted determination of aortic valve landmarks in three-dimensional computed tomography images based on deep learning Diagnoza in ocena morfologije aortne zaklopke imata kljuˇcno vlogo pri ocenjevanju zdravja srca in ožilja. V magistrskem delu se ukvarjamo z vrednotenjem računalniško podprtih metod za določanje oslonilnih točk na aortni zaklopki v medicinskih slikah srca z uporabo tehnik strojnega učenja. Uporabili smo metodi nevronske mreže prostorske razporeditve (angl. spatial configuration network, SCN) in komunikacijskega večagentnega spodbujevanega učenja (angl. communicative multi-agent reinforcement learning, C-MARL). V raziskavi je uporabljen nabor podatkov, ki vsebuje 120 slik srca zdravih oseb in 40 slik srca bolnih oseb, ki so bile pridobljene s slikovno tehniko računalniške tomografije (angl. computed tomography). Raziskava obravnava potrebo po robustni pred-obdelavi slik in uvaja tehniko obrezovanja slik na območje zanimanja, ki temelji na registraciji atlasa, z namenom izboljšanja natančnosti določanja oslonilnih točk. Rezultati potrjujejo učinkovitost metod SCN in C-MARL. Če primerjamo rezultate določanja oslonilnih točk, je metoda SCN za slike zdravih oseb dosegla povprečno evklidsko razdaljo med avtomatsko določenimi in referenčnimi poločaji oslonilnih točk 1,14 ± 0,78 mm, metoda C-MARL pa 1,42 ± 0,82 mm. Pri slikah bolnih oseb je metoda SCN dosegla 3,43 ± 6,00 mm, medtem ko je metoda C-MARL dosegla 2,66 ± 3,99 mm. Rezultati imajo odločilen pomen za klinično prakso, saj povečujejo natančnost pri ocenjevanju morfologije aortne zaklopke. Vključitev metode SCN v spletno aplikacijo predstavlja praktično uporabnost raziskave. Ta inovacija omogoča zdravstvenim delavcem, da z uporabniku prijaznim vmesnikom izkoristijo moč razpoznavanja oslonilnih točk za analizo medicinskih slik, kar omogoča hitrejše in bolj informirane odločitve. Aortic valve diagnosis and morphology assessment play pivotal roles in cardiovascular health evaluation. This master’s thesis delves into the evaluation of computer-assisted methods for aortic valve landmark detection in medical im- ages of the heart by harnessing machine learning techniques, specifically the spatial configuration network (SCN) and communicative multi-agent reinforcement learning (C-MARL) methods. The research leverages a dataset comprising 120 images of healthy and 40 images of pathological subjects, acquired with the computed tomography imaging technique. Addressing the need for robust preprocessing, the study introduces atlas registration-based cropping techniques to the region of interest in order to enhance landmark detection precision. The obtained results underscore the efficency of the SCN and C-MARL methods. When comparing landmark detection outcomes, SCN achieved a mean Euclidean distance between the detected and reference landmark locations of 1.14 ± 0.78 mm for healthy subjects, while C-MARL demonstrated 1.42 ± 0.82 mm. For pathological subjects, SCN yielded 3.43 ± 6.00 mm and C-MARL achieved 2.66 ± 3.99 mm. These findings indicate method-specific strengths across different subject categories. The results hold critical implications for clinical practice, enhancing accu- racy in aortic valve diagnosis and morphology assessment. Furthermore, the integration of the SCN method into a web-based application showcases the practical applicability of the research. This innovation empowers healthcare professionals across diverse domains with a user-friendly interface to leverage the power of landmark localization for medical image analysis, underscoring the tangible impact of cutting-edge research on real-world medical practices. analiza medicinskih slik razpoznavanje oslonilnih točk globoko učenje konvolucijske nevronske mreže spodbujevano učenje aortna zaklopka morfometrija računalniška tomografija. medical image analysis landmark detection deep learning convolutional neural networks reinforcement learning aortic valve morphometry computed tomography. true false false Slovenski jezik Angleški jezik Magistrsko delo/naloga 2023-09-11 08:39:08 2023-09-11 08:39:17 2023-09-22 09:49:15 0000-00-00 00:00:00 2023 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 1970-01-01 62389 165355779 Skrlj_Luka_-_Racunalnisko_podprto_dolocanje_oslonilnih_tock_srcne_zaklopke_v_tridimenzionalnih_r.pdf Skrlj_Luka_-_Racunalnisko_podprto_dolocanje_oslonilnih_tock_srcne_zaklopke_v_tridimenzionalnih_r.pdf 1 4E1D7E8034B52B9134144081366ECCE2 0fe90c5fa343fc7bc662dce181512570baf19aa352e2e339377d585331e2e1e8 eeef66c5-506d-11ee-9bb0-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=174360 Fakulteta za elektrotehniko 0 0 0