Κατάτμηση τρισδιάστατων ιατρικών εικόνων με σύγχρονες μεθόδους μηχανικής και βαθιάς μάθησης

Abstract

Η τμηματοποίηση ιατρικών εικόνων συνιστά μία από τις πιο κρίσιμες διαδικασίες στην ανάλυση δεδομένων μαγνητικής τομογραφίας, καθώς επιτρέπει την ακριβή εντόπιση παθολογικών περιοχών και διευκολύνει τη διάγνωση, την πρόγνωση και την παρακολούθηση της εξέλιξης ασθενειών. Στην περίπτωση των μηνιγγιωμάτων, που αποτελούν τον πιο συχνό καλοήθη ενδοκρανιακό όγκο, η έγκαιρη και ακριβής τμηματοποίηση του όγκου μπορεί να συμβάλλει ουσιαστικά στη βελτιστοποίηση της θεραπευτικής αντιμετώπισης και στην αποφυγή επιπλοκών. Η παρούσα εργασία εστιάζει στην αξιολόγηση διαφορετικών αρχιτεκτονικών βαθιάς μάθησης για το πρόβλημα της τρισδιάστατης τμηματοποίησης μηνιγγιωμάτων σε μαγνητικές τομογραφίες. Αξιοποιήθηκε το σύνολο δεδομένων Meningioma-SEG-CLASS και αναπτύχθηκε ένα κοινό πειραματικό πλαίσιο με ενιαίες παραμέτρους εκπαίδευσης, τεχνικές προεπεξεργασίας και διαδικασίες αξιολόγησης. Δοκιμάστηκαν παραδοσιακές συνελικτικές αρχιτεκτονικές, πιο σύγχρονα μοντέλα με μηχανισμούς προσοχής, καθώς και πρόσφατες υβριδικές προσεγγίσεις που βασίζονται σε νέα μοντέλα ακολουθιακής επεξεργασίας. Ιδιαίτερη έμφαση δόθηκε στην ορθή διαχείριση των δεδομένων, στην επιλογή τεχνικών επαύξησης, στον καθορισμό κατάλληλων συναρτήσεων κόστους και βελτιστοποιητών, καθώς και στη χρήση μετα-επεξεργασίας κατά το στάδιο της εξαγωγής προβλέψεων (inference). Τα αποτελέσματα δείχνουν ότι, ακόμη και υπό συνθήκες περιορισμένων δεδομένων και υπολογιστικών πόρων, είναι δυνατή η ανάπτυξη μοντέλων με αξιόλογη απόδοση, γεγονός που αναδεικνύει τη σημασία ενός καλά σχεδιασμένου πειραματικού pipeline.