Lista przedmiotów z materiałami udostępnionymi dla studentów

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

Martyna Wasilewska

Metody uczenia maszynowego w zastosowaniu do automatycznego wyznaczania arteryjnej funkcji wejścia na potrzeby ilościowej oceny perfuzji nerek


Machine learning methods in application to automated determination of arterial input function for quantitative estimation of renal perfusion


Opiekun pracy dyplomowej: dr hab. inż. Artur Klepaczko
Praca dyplomowa magisterska obroniona 2019-09-27
Streszczenie pracy dyplomowej:
Popularnym badaniem wykonywanym w celu ilościowej oceny perfuzji nerek jest DCE-MRI – metoda dynamicznej sekwencji obrazów rezonansu magnetycznego z użyciem środka cieniującego. Dzięki zastosowaniu jednego z wielu opracowanych modeli farmakokinetycznych można ocenić parametry perfuzji na podstawie obrazu. Niezależnie od wybranego modelu, konieczne jest wyznaczenie arteryjnej funkcji wejścia, czyli krzywej stężenia środka cieniującego w aorcie zstępującej w czasie. Funkcję tę zwykle wyznacza się manualnie, co zwiększa błąd wspomnianej metody. Celem tej pracy jest automatyzacja procesu wyznaczania arteryjnej funkcji wejścia, z uwzględnieniem trudności jaką jest pojawiający się w badaniach wykonanych metodą DCE-MRI artefakt wpływu. Proponowane rozwiązanie ma dwa etapy: pierwszy polega na wysegmentowaniu aorty zstępującej za pomocą popularnych filtrów i funkcji unaczynienia. Drugim etapem jest grupowanie wektorów z wysegmentowanej aorty i wybór tego obszaru, który znajduje się możliwie najbliżej tętnic nerkowych, a w jego obszarze nie zachodzi artefakt wpływu. Ma to zwiększyć dokładność i wiarygodność tej metody oceny perfuzji nerek. Zaproponowaną metodę zastosowano do rzeczywistych danych 10 zdrowych ochotników. Dla zwiększenia wiarygodności automatycznej segmentacji aorty, dla każdego badania wykonano też ręczną segmentację. Wyniki GFR otrzymane na podstawie obu sposobów segmentacji porównano z tymi otrzymanymi metodami nieobrazowymi. Są to klirens joheksolu (złoty standard) oraz wynik eGFR ze stosowanego klinicznie równania MDRD. Precyzja zaproponowanej metody jest porównywalna ze spotykaną w literaturze. Wykazana zgodność z metodami referencyjnymi jest akceptowalna, i niewiele mniejsza niż zgodność pomiędzy samymi metodami odniesienia. Zgodnie z założonym celem, opisana metoda pozwala w dużej mierze zautomatyzować jeden z pierwszych etapów ilościowej perfuzji nerek, eliminując błąd spowodowany często występującym przy tym sposobie obrazowania artefaktem wpływu.
Abstract:
One of the most popular methods for renal perfusion quantification is DCE-MRI – Dynamic Contrast-Enhanced Magnetic Resonance Imaging. Thanks to the application of one of the various pharmacokinetic models, it could be used for image-based assessment of perfusion parameters. In any case, it is necessary to determine an arterial input function (AIF), i.e. the concentration of contrast agent in the aorta over time, supplying the tissue of interest in blood. It is usually performed manually, which leads to an increased error of this method. The aim of this dissertation is to present a possible method to automatize the determination of the AIF while eliminating the influence of the inflow artifact. The proposed procedure consists of two stages: the first is segmentation of the descending aorta by means of commonly used filters and a vascularization function; in the second stage, it uses a k-means clustering method to choose the region lying close to renal arteries and still not affected by the inflow artifact. Such a solution would increase the accuracy and reliability of image-based perfusion quantification methods. The proposed method was applied to real examinations of 10 healthy volunteers. Alongside each imaging series, an automatic segmentation of the aorta was performed to assess the reliability of the method discussed. The obtained GFR results were compared with standard methods other than image-based: iohexol clearance (the gold standard) and eGFR based on the MDRD equation and creatinine results. The precision obtained is similar to the one found in the literature. The agreement with iohexol-based values and eGFR is acceptable, especially taking into account that the agreement between the reference methods themselves is not ideal. The stated goal has been achieved – one of the first stages of the AIF determination has been automated, eliminating the error coming from the inflow artifact in DCE-MR images.