Show simple item record

dc.contributor.advisorLindseth, Frank
dc.contributor.authorJohansen, Jenny Stange
dc.contributor.authorPedersen, Mathias Aarseth
dc.date.accessioned2019-10-31T15:16:41Z
dc.date.available2019-10-31T15:16:41Z
dc.date.issued2019
dc.identifier.urihttp://hdl.handle.net/11250/2625800
dc.description.abstractI helsevesenet er medisinsk bildediagnostikk et viktig verktøy for å sette diagnoser og overvåke behandlingsrespons. Dessverre er analyse av de store mengdene bildedata kostbart på grunn av ekspertisen og tiden som kreves. I de siste årene har automatiske analyseringsverktøy ved bruk av kunstige nevrale nettverk gjort store fremskritt. For bildeanalyse har spesielt konvolusjonsnett (convolutional neural networks (CNN)) hatt stor suksess. Ved segmentering av bilder er utfordingen å presist definere posisjonen og formen på en predefinert struktur. En kjent arkitektur for medisinsk bildesegmentering er et CNN kalt U-Net. Et nylig alternativ til CNN, kapselnettverk (capsule networks), har også vist lovende resultater. Videre forskning har foreslått å forbedre kapselnettverk ved å benytte matrisekapsler (matrix capsules) og EM-ruting for å bedre nettverkets forståelse for helheten i bildet. I dette prosjektet ble en U-Net-variant utviklet og testet på flere medisinske datasett for segmentering. Arkitekturen, kalt 2.5D U-Net, viste seg å være robust for denne typen oppgaver, til tross for at den hverken brukte manuelle eller automatiske parameterjusteringer basert på typen datasett. Offisielle testresultater fra Medical Segmentation Decathlon inkluderer Dice scorer på 85% for milten, 87% og 85% for fremre and bakre hippocampus henholdsvis, i tillegg til 90% og 54% for lever og leversvulst. Det neste eksperimentet reproduserte resultatene som var rapportert av LaLonde et al. ved å benytte SegCaps for LUNA16 lungesegmentering. Derimot ga ikke arkitekturen like gode resultater på andre medisinske datasett. Den fikk Dice scorer rundt 50 og 30 prosentpoeng lavere enn 2.5D U-Net modellen på milten og hjertet, henholdsvis. Videre ble SegCaps utvidet til å håndtere flere klasser, det løste en utfordring som ikke tidligere var kjent løst i litteraturen. Nettverket oppnådde minst like gode Dice scorer som den originale SegCaps, da den ble brukt for segmentering av milten og hjertet. Multi-SegCaps viste evne til å segmentere flere klasser ved å oppnå Dice score på 72.4% and 70.5% for fremre og bakre hippocampus. I det siste eksperimentet ble SegCaps med EM-ruting implementert og brukt til segmentering av hippocampus. Forfatterne hadde ikke observert at EM-ruting for SegCaps var blitt brukt for segmentering i noe tidligere forskning. Eksperimentet var ment som en demonstrasjon av prinsippet og modellen viste suksessfullt evne til å gjøre binær segmentering av de to hippocampus klassene med en Dice score på 54.5%.
dc.description.abstractMedical imaging is an important tool for giving diagnoses and monitoring treatment response in health care. However, analyzing large amounts of image data is expensive because of the time and expertise required. In recent years, automatic image analyzing methods using artificial neural networks have made major advances. For image analysis, convolutional neural networks (CNN) have been particularly successful. Image segmentation methods aim to accurately indicate the location and shape of the structure in question. One commonly used architecture for medical image segmentation is a CNN called U-Net. Capsule networks are an alternative to CNN that recently have shown promising results. Further research has suggested improving capsule networks with matrix capsules and EM-routing, increasing its ability to capture part-whole relationships. A U-Net variant was developed and applied to multiple medical segmentation tasks. The architecture, called 2.5D U-Net, proved to be versatile when applied to medical tasks, despite using no manual or automatic dataset-specific parameter tuning. Official test results obtained from Medical Segmentation Decathlon include Dice scores of 85% for spleen, 87% and 85% for the anterior and posterior hippocampus respectively, along with 90% and 54% for liver and liver tumour. Results reported by LaLonde et al. using SegCaps on the LUNA16 lung segmentation were reproduced. However, applying the architecture to other medical segmentation tasks gave disappointing results. It achieved Dice scores of about 50 and 30 percentage points less than 2.5D U-Net on the spleen and the heart datasets. The SegCaps architecture was also extended to perform multi-class segmentation; a task that has not previously been studied in the literature. The network was able to achieve at least as good scores as the original SegCaps when applied to the spleen and the heart datasets. Multi-SegCaps successfully segmented anterior and posterior hippocampus, achieving Dice scores of 72.4% and 70.5%. In the last experiment, SegCaps using EM-routing was implemented and applied to the hippocampus dataset. The use of EM-routing for image segmentation had not previously been demonstrated in the literature. The experiment was intended to be a proof of concept and was successfully able to perform binary segmentation of the two hippocampus classes, as a single target class, achieving a Dice score of 54.5%.
dc.languageeng
dc.publisherNTNU
dc.titleMedical Image Segmentation: A General U-Net Architecture and Novel Capsule Network Approaches
dc.typeMaster thesis


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record