Αυτοματοποιημένη ανίχνευση αδενοκαρκινώματος του παγκρέατος σε αξονικές τομογραφίες με χρήση βαθιάς μάθησης: διερεύνηση της επίδρασης της προεπεξεργασίας των δεδομένων

Abstract

Η παρούσα διπλωματική εργασία εξετάζει πώς οι επιλογές προεπεξεργασίας επηρεάζουν την ακρίβεια της αυτόματης τμηματοποίησης παγκρεατικού αδενοκαρκινώματος σε πολυφασικές αξονικές τομογραφίες. Χρησιμοποιήθηκε το δημόσιο σύνολο δεδομένων MSD Task 07 – Pancreas (420 3-D CT εξετάσεις) και το πλήρως αυτορρυθμιζόμενο πλαίσιο nnU-Net. Σχεδιάστηκαν 15 πειραματικά runs σε τρεις θεματικές: 1. Voxel spacing: ισοτροπικές (1 × 1 × 1, 1,5 × 1,5 × 1,5, 2 × 2 × 2 mm) και ανισοτροπικές (1 × 1 × 2,5, 1 × 1 × 5 mm) επαναδειγματοληψίες. 2. Interpolation: spline τάξεων 1-5 (linear–quintic). 3. Intensity clipping: ποσοστημόρια 0–100 %, 0,1–99,9 %, 1–99 %, 5–95 %, 10–90 %. Οι πειραματικές μελέτες έδειξαν ότι ο καθορισμός του κατάλληλου voxel spacing αποτελεί το κλειδί για τη βέλτιστη απόδοση του nnU-Net στην τμηματοποίηση του παγκρεατικού αδενοκαρκινώματος. Συγκεκριμένα, η χρήση ελαφρώς ανισοτροπικού spacing (1 × 1 × 2,5 mm) οδήγησε σε αύξηση του Dice coefficient για τον όγκο κατά σχεδόν 30% σε σχέση με ένα ισοτροπικό spacing 2 mm, ενώ η υπερβολική μείωση της ανάλυσης του άξονα z (1 × 1 × 5 mm) συρρίκνωσε την ευαισθησία ανίχνευσης. Αντίθετα, οι διαφοροποιήσεις στη μέθοδο παρεμβολής (linear έως quintic spline) απέφεραν μεταβολές στον Dice μικρότερου από το 2%, επιβεβαιώνοντας ότι η προεπιλεγμένη κυβική παρεμβολή είναι απόλυτα επαρκής. Πολύ περιοριστική κανονικοποίηση έντασης (clip 10–90%) αύξησε οριακά τον δείκτη Sensitivity, αλλά συνοδεύτηκε από ελαφρά πτώση του συνολικού Dice, ενώ η πιο ήπια αποκοπή (1–99%) διατήρησε τις βέλτιστες τιμές. Συμπερασματικά, η βέλτιστη ρύθμιση του voxel spacing, σύμφωνα με τις ευριστικές μεθόδους του nnU-Net, είναι καθοριστική για την επίτευξη υψηλής ποιότητας segmentation του παγκρεατικού αδενοκαρκινώματος, ενώ οι προεπιλεγμένες τεχνικές interpolation και intensity normalization παρέχουν ήδη επαρκώς βέλτιστα αποτελέσματα. Τα ευρήματα αυτά διαμορφώνουν ένα επαρκές πλαίσιο για την κλινική ενσωμάτωση συστημάτων CAD στο πάγκρεας και οριοθετούν σαφείς κατευθύνσεις για μελλοντική έρευνα, όπως η ανάπτυξη πολυβάθμιων (cascade) μοντέλων και η ενσωμάτωση πολυτροπικών απεικονιστικών δεδομένων.