| Popis: |
Veliki skupovi medicinskih slika u bolničkom sustavu za arhiviranje slika i komunikaciju u kombinaciji s naprednim računalstvom visokih performansi omogućuju mogućnost ubrzanja tehnike strojnog učenja za prepoznavanje kliničkih nalaza, slika i točnu dijagnozu specifičnih bolesti. Uz dovoljno veliku količinu podataka i adekvatan trening, modeli dubokog učenja mogu postići veliku točnost. Medicinske slike imaju ogroman potencijal za primjenu u dubokom učenju, a modeli velike uspješnosti se mogu koristiti u praktične svrhe. Sukladno tome rađeno je i ovo istraživanje koje je provedeno na javno dostupnom skupu podataka iz arhive glioblastoma Medicinskog zdravstvenog sustava Sveučilišta u Pennsylvaniji. Arhiva podataka sastoji se od studija magnetske rezonancije mozga izvedenih u T1, T2 i T2-flair sekvencama na 650 pacijenata. Iz cjelokupnog skupa podataka, 130 slika identičnih rezova mozga eksportirano je i korišteno za ručno označavanje glioblastoma i daljnju primjenu u modelu dubokog učenja za tri različite arhitekture. Prema rezultatima i uspoređujući sve tri arhitekture zaključuje se da klasifikacija slika i otkrivanje objekata imaju veliki broj lažno pozitivnih otkrivanja. Model segmentiranja slika s jednakim parametrima kao i druga dva modela ima iznimno lošije rezultate na testnim podatcima. Međutim, prilagođavanjem relevantnih parametara, model segmentiranja slika također postiže značajne rezultate, bolje od druge dvije metode. Prema zaključcima mnogih istraživanja, U-Net će biti ključan za budući razvoj, zbog svoje primjenjivosti u 3D okruženju, što omogućuje razvoj industrijski primjenjivih algoritama. |
