| dc.description.abstract | Anvendbarheten av digital segmentering av kroppsdeler er en økende trend, og det å ha en digital tvilling av skadede legemer, eller en planlagt operasjon kan bedre forståelsen av den kroppsdelen bedre, og forberede partene involvert.
Segmentering av kroppsdeler er et nyttig verktøy for å bedre forstå og undersøke menneskekroppen. Segmenterte legemer kan vises som 3D-modeller, og manipuleres slik at den kan ses fra forskjellige vinkler, og muligens oppdage noe som ikke var like synlig i det originale bildesettet.
I løpet av masterprosjektet ble det utviklet et Python-script av et Convolutional Neural Network (CNN) ved hjelp av Keras med TensorFlow som backend. Dette CNN-nettverket er inspirert av U-Net og lagd for å klassifisere hver enkelt piksel i MRI-skanninger av kneledd. Den klassifiserer ben, fremre-, og bakre korsbånd, som alle er vev som ligger i kneleddet.
Resultatene er lovende, og det ble avdekket flere gode resultater. En vektet tapsfunksjon er nødvendig for å klassifisere vev som opptrer sjeldnere, slik som korsbåndene. I tillegg viste det at den mest brukte inndataen ikke nødvendigvis var det beste. Et enkelt type bilde (T1) gjenga noe bedre resultater enn en etablert metode der alle bildetyper blir brukt. | |
| dc.description.abstract | The need for digital segmentation of human body parts is growing and having a digital twin of the body part with an injury, or a planned surgery can help people understand that body part better and be prepared for the tasks to come.
To segment bodyparts are a helpful tool to both understand and examine the human body. You can add a segmented body part in a 3-dimensional world, look at it from different angles and discover something you could not have seen from a 2-dimensional view.
During the work of this thesis, there was created a Python-script of a Convolutional Neural Network (CNN) using Keras with TensorFlow as backend. This CNN is a U-Net inspired network created to classify each pixel in an MRI scan of a knee joint. It classifies bones, PCL, ACL which all are tissues located in the knee joint.
The results are promising and there were several discoveries in the result of this thesis. The weighted loss function is a necessary function to classify lower weighted tissues such as the ligaments (PCL and ACL).
It also showed that the commonly used inputs not necessary are the best inputs for this network. The single input image T1 performed slightly better than the known method by using all of the images as input. | |
