Разработка алгоритмов для анализа кт-изображений легких
ВВЕДЕНИЕ 3
1 Постановка задачи 4
1.1 Формулировка задачи в рамках предметной области 4
1.2 Требования к разрабатываемому решению 4
2 Обзор существующих решений 5
3 Исследование и построение решения задачи 9
3.1 Построение решения задачи 9
3.2 Сегментация изображений 9
4 Описание практической части 11
4.1 Выбор инструментов разработки 11
4.2 Построение обучающей выборки из данных LUNA 2016 11
4.3 Получение позиций узлов в файлах .mhd 12
4.4 Выделение интересующего района для поиска легочных узлов 15
4.5 Бинаризация изображений 16
4.6 Эрозия и наращивание бинарного изображения 19
4.7 Алгоритм отсечения не интересующих регионов 20
4.8 Применение маски интересующего региона 21
4.9 Мера Дайса как функция потерь для сегментации 22
4.10 Загрузка модели сегментации 22
4.11 Обучение модели сегментации 23
4.12 Аугментация изображений 25
4.13 Результаты работы 26
ЗАКЛЮЧЕНИЕ 27
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 28
ПРИЛОЖЕНИЕ А. Листинг программы 29
Предметной областью в данной диссертации является медицина, а именно анализ КТ-изображений легких. Рак легких является одном из наиболее распространенных онкологических заболеваний. В данный момент проводится большое количество КТ-исследований легких пациентов по всему миру.Проводимые исследования генерирует большое количество КТ- изображений, которым требуется анализ. Актуальность данного исследования существует из-за интереса к разработке компьютерных алгоритмов для оптимизации обработки полученных изображений легких.
Самым важным и первым шагом в анализе КТ-изображений легкого на рак, является обнаружение легочных узлов, в которых может находиться злокачественная опухоль.
КТ-изображения для диссертации были взяты из базы данных КТ- изображений легких предоставленных соревнованием по распознаванию изображений легких LUNA[1], данный набор изображений является общедоступным, включая разметки легочных узлов четырьмя радиологами.
Основная цель: сегментация изображений для выявления потенциальных раковых зон. Цель была разделена на несколько задач: выявление интересующих регионов, формирование масок для изображений, обучение сверточной нейронной сети.
1. https://luna16.grand-challenge.org/
2. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3995505/
3. https://arxiv.org/abs/1505.04597
4. https://en.wikipedia.org/wiki/Sørensen–Dice_coefficient
5. https://www.kaggle.com/wiki/LogarithmicLoss
6. https://en.wikipedia.org/wiki/DICOM
Хочешь уникальную работу?
Больше 3 000 экспертов уже готовы начать работу над твоим проектом!
4.8 (105 отзывов)
4.8 (40 отзывов)
5 (22 отзыва)
4.9 (826 отзывов)
4.9 (20 отзывов)
4.8 (373 отзыва)
4.9 (298 отзывов)
4.9 (66 отзывов)
4.9 (343 отзыва)
