Lista przedmiotów z materiałami udostępnionymi dla studentów

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

Sylwia Pawlak

Wyznaczanie położenia linii środkowej tętnicy wieńcowej w obrazach 3D CT za pomocą algorytmów głębokiego uczenia


Coronary artery centerline extraction in 3D CT images using Deep Learning algorithms


Opiekun pracy dyplomowej: prof. dr hab. inż. Andrzej Materka
Dodatkowy opiekun pracy dyplomowej: dr inż. Marek Kociński

Praca dyplomowa magisterska obroniona 2020-07-02
Streszczenie pracy dyplomowej:
Celem pracy było napisanie programu komputerowego, który za pomocą algorytmów głębokiego uczenia wysegmentuje binarny obraz naczyń tętniczych. Danymi użytymi do uczenia sieci neuronowych były pliki NifTi z rentgenowskiej tomografii komputerowej. Program został napisany w języku Python w środowisku Miniconda z użyciem bibliotek TensorFlow, Keras NumPy oraz Matplotlib. Wynikami programu są obrazy binarne naczyń krwionośnych. Na podstawie wyników programu zostały również wyznaczone linie środkowe naczyń za pomocą programu VesselKnife, który został opracowany w Instytucie Elektroniki Politechniki Łódzkiej. Praca jest podzielona na jedenaście rozdziałów. W pierwszych czterech zostały opisane teoretyczne zagadnienia dotyczące tematu pracy, takie jak podstawy anatomiczne oraz budowa i funkcja naczyń wieńcowych. Algorytmy głębokiego uczenia oraz metody ekstrahowania linii centralnych naczyń z obrazów medycznych zostały przedstawione w części piątej. Rozdział siódmy to opis danych i wybór metody, która została w dalszej części wykorzystana do uczenia sieci neuronowych oraz segmentacji obrazu. Ostatnie trzy części to wyniki uzyskane dzięki opracowanemu programowi, dyskusja oraz podsumowanie. Wykaz literatury został zawarty w rozdziale jedenastym. Słowa kluczowe: [Algorytmy głębokie uczenia], [Sieci neuronowe], [Naczynia wieńcowe], [CT], [Segmentacja obrazu].
Abstract:
The goal of this diploma thesis was to write a computer program which, using deep learning algorithms, would segment the binary image of arterial vessels. The data used to teach neural networks were NifTi files from X-ray computed tomography. The program was written in Python in the Miniconda environment using the TensorFlow, Keras NumPy and Matplotlib libraries. The results of the program are binary images of blood vessels. Based on the results of the program, the center lines of the vessels were also determined using the VesselKnife program, which was developed at the Institute of Electronics of the Lodz University of Technology. The work is divided into eleven chapters. The first four describe theoretical issues related to the subject of the work, such as anatomical foundations and the structure and function of coronary vessels. Deep learning algorithms and methods for extracting the central lines of vessels from medical images are presented in part five. Chapter seven is a description of the data and method selection, which was later used to teach neural networks and image segmentation. The last three parts are the developed program and discussion of the results and summary. A list of literature is included in chapter eleven. Keywords: [Deep learning algorithms], [Neural networks], [Coronary vessels], [CT], [Image segmentation].