Show simple item record

dc.contributor.advisorAngelsen, Bjørn
dc.contributor.advisorKongsro, Jørgen
dc.contributor.advisorMolares, Alfonso Rodriguez
dc.contributor.advisorHolm, Sverre
dc.contributor.advisorElster, Anne Cathrine
dc.contributor.authorKvam, Johannes
dc.date.accessioned2019-08-29T12:25:15Z
dc.date.available2019-08-29T12:25:15Z
dc.date.issued2019
dc.identifier.isbn978-82-326-3837-6
dc.identifier.issn1503-8181
dc.identifier.urihttp://hdl.handle.net/11250/2611658
dc.description.abstractBruk av maskinlæring i karakterisering av vev Karakterisering av vev handler om å skille ulike vevstyper basert på en eller annen egenskap som vevet innehar. Innen medisin har ofte sykt og friskt vev ulike fysiske egenskaper. Dermed vil man kunne både diagnostisere og overvåke sykdommer dersom man kan måle disse egenskapene. Innen husdyrproduksjon til kjøtt, er den riktige sammensetningen av fett- og muskelvev viktig for smaksopplevelsen. Ved å skille fett- og muskelvev, samt å kunne måle dette nøyaktig, vil man kunne møte markedets forventninger til en god spiseopplevelse av kjøtt. I begge disse eksemplene er det et sterkt behov for å kunne gjøre slike målinger in vivo og ikke-invasivt. Innen medisin gjøres invasive målinger typisk ved biopsi. Slike prøver forårsaker ofte ubehag, smerte og i noen tilfeller, skade. I tillegg kan målingene være upresise, ettersom det kan være vanskelig å ta prøve på riktig sted. Dette kan føre til feil diagnostisering som vil være en stor påkjenning for pasienten. I kjøttindustrien er dyrevelferden viktig og dyrene skal ikke utsettes for unødvendig ubehag. Kjøttkvalitet kan dermed ikke kan måles in vivo, men etter at dyret er slaktet; post mortem. Konsekvensen er at den genetiske framgangen blir redusert, ettersom man må beslutte om genene til et dyr skal føres videre basert på målt kjøttkvalitet hos søsknene. Det er tre typiske avbildningsmetoder som brukes for ikke-invasiv bildedannelse: ultralyd (US), røntgen computertomografi (CT) og magnetresonanstomografi (MR). Av disse tre er ultralyd den billigste og mest portable metoden. Ulempen ved ultralyd er at det er mange potensielle støykilder som kan være ødeleggende for det resulterende bildet. Denne støyen representerer ofte ikke den underliggende anatomien og gjør at ultralyd, sammenlignet med de andre metodene, har den dårligste bildekvaliteten. Gjennom de siste årene har medisinsk bildeanalyse gjennomgått en revolusjon. Den økende populariteten til kunstig intelligens og maskinlæring har gjort at disse metodene brukes mer og mer i automatisk bildeanalyse. Dyp læring, en gren av maskinlæring, har vist seg å være spesielt suksessrik, da disse metodene kan gjenkjenne komplekse mønstre i bilder. Disse metodene lærer seg selv hvordan bilder skal tolkes ved å trene på data der fasiten er kjent. For at disse metodene skal bli robuste, kreves dermed store mengder data. I tillegg må det eksistere en sammenheng mellom dataene og fasiten som er observerbar. Som konsekvens blir også kvaliteten på dataen viktig. I dette arbeidet undersøkes potensialet for bruk av dyp læring for karakterisering av vev, og ved hvilket punkt disse metodene begrenses av datagrunnlaget. Vi observerer at dyp læring fungerer godt i CT, hvor bilde- og datakvaliteten er høy. Dette lar oss lage en robust metode for automatisk beskrivelse av CT volumdata ved bruk av dyp læring. En tilsvarende metode blir også forsøkt på ultralydbilder. Målet er å bestemme fettinnhold fra ultralydbilder og resultatene er konkurrerende med gullstandardmetoder. Likevel observeres det i denne applikasjonen en ovre grense hvor disse metodene ikke lenger fungerer. For a unnga denne grensen er det et behov for andre ultralydavbildningsmetoder slik at datakvaliteten okes. Konvensjonell ultralyd maler en spesifikk akustisk egenskap hos materialer. Ettersom denne har vist seg a vare begrenset er det et behov for a undersoke muligheten for a male andre egenskaper ved bruk av ultralyd. Materialets ulineare oppforsel viser seg a vare en akustisk parameter med stor variasjon for blote vev, og spesielt sensitiv til fettinnhold. Det vises at denne parameteren kan males ved bruk av en ny ultralydmetode som baserer seg pa a sende ut to lydbolger, med forskjellige frekvenser, samtidig. Dataene fra denne metoden, sammenlignet med konvensjonell ultralyd, har mer informasjon og potensielt hoyere kvalitet. Dette indikerer at metoden kan forbedres ytterligere ved bruk av dyp laring. Metoden vil dermed kunne bidra til a oppna robust vevskarakterisering ved bruk av ultralyd.nb_NO
dc.language.isoengnb_NO
dc.publisherNTNUnb_NO
dc.relation.ispartofseriesDoctoral theses at NTNU;2019:119
dc.titleApplication of machine learning in tissue characterizationnb_NO
dc.typeDoctoral thesisnb_NO
dc.subject.nsiVDP::Medical disciplines: 700nb_NO
dc.description.localcodedigital fulltext not avialablenb_NO


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record