Lista przedmiotów z materiałami udostępnionymi dla studentów

Dla_studentów
  • Increase font size
  • Default font size
  • Decrease font size

Julia Kruszyńska

Opracowanie metody analizy obrazów USG włókien nerwowych


Development of a method for analysis of nerve fibers ultrasound images


Opiekun pracy dyplomowej: prof. dr hab. inż. Michał Strzelecki
Praca dyplomowa inżynierska obroniona 2019-02-14
Streszczenie pracy dyplomowej:
Zwyrodnienia nerwu pośrodkowego występują często i mają różne źródła pochodzenia. Główną metodą diagnozy jest badanie ultrasonograficzne. Jednakże, zdjęcia USG są trudne w analizie ze względu na niską rozdzielczość i w celu ułatwienia diagnozy została opracowana metoda analizy obrazów włókna nerwowego. W sumie 58 obrazów USG, włącznie z 24 obrazami tkanki chorej i 34 obrazami tkanki zdrowej, zostało otrzymanych od lekarzy z Krakowa. Opracowana metoda pozwala sklasyfikować obraz jako „zdrowy” lub „chory”. W programie MaZda, używając narzędzia 3 najbliższych sąsiadów, miała miejsce selekcja cech. Później, w programie B11, używając sieci perceptronowej, zostały znalezione cztery cechy, dla których klasyfikacja była najdokładniejsza. Weryfikacja metody została poprowadzona dla losowych podzbiorów, jednak wynik nie był zadawalający, gdyż klasyfikacja była prawidłowa jedynie w 50%. Kolejny test został wykonany używają maszyny wektorów nośnych z pięciokrotną weryfikacją krzyżową w programie MATLAB i uzyskany wynik wyniósł 78% poprawności klasyfikacji. Weryfikacja może być wciąż ulepszona poprzez zwiększenie bazy zdjęć.
Abstract:
Diseases of the median nerve are common and can have a variety of origins. They are mostly diagnosed using ultrasound. Sonograms however are difficult to understand because of low resolution, and in order to make diagnosis easier a method for nerve fiber analysis was developed. The total of 58 ultrasound images including 24 images of an unhealthy nerve tissue and 34 of a healthy tissue were obtained from the doctors from Kraków. The developed method enables to classify an image as “healthy” or “unhealthy”. In MaZda program, using 3-NN (3 nearest neighbors) a selection of features took place. Later, in B11 program, using artificial neural network, four features were found for which the classification was the most accurate. The verification of the method was run for random images subsets but the outcome was not satisfactory, as the classification was in only 50% correct. Further test was done using support-vector machine with a 5-fold cross-verification in MATLAB program and the outcome showed 78% correct classification. The verification can be still improved by increasing the number of images in the database.