Show simple item record

dc.contributor.advisorGjesdal, Kjell-Inge
dc.contributor.advisorBye, Robin Trulssen
dc.contributor.authorSperre, Jørgen André
dc.date.accessioned2021-09-24T18:39:00Z
dc.date.available2021-09-24T18:39:00Z
dc.date.issued2020
dc.identifierno.ntnu:inspera:54735404:4987215
dc.identifier.urihttps://hdl.handle.net/11250/2782091
dc.description.abstractDyp læring teknikker har hatt økende popularitet for medisin-relaterte segmenterings oppgaver de siste årene. Denne studien bruker ett 3D konvolusjonelt nevralt nettverk (CNN) kalt nnU-Net, for å automatisk semantisk segmentere 13 klasser fra magnetisk resonans (MR) bilder av kneledd. Eksperimentering av forskjellige hyper-parametere er brukt for å forbedre nøyaktigheten til de opptrente modellene, og i prosessen lage en sammenligning av effekten av disse parametrene. Modeller var trent og evaluert på et treningsdatasett som bestod av 20 pasienter, og et valideringsdatasett som bestod av 5 pasienter, med tre forskjellige bilde-modaliteter for hver pasient. Evaluering av modellene fant at nnU-Net arkitekturen var i stand til å lage nøyaktige segmenteringer av kneleddet. Hyper-parameter eksperimenteringen fant at den eneste forbedringen var en liten økning i nøyaktighet, dersom "data augmentering" ble tatt i bruk.
dc.description.abstractDeep learning techniques have become increasingly popular for medical image segmentation tasks in recent years. This study utilises a 3D convolutional neural network (CNN) called nnU-Net, for the task of automatic semantic segmentation of 13 classes in magnetic resonance (MR) images of the knee joint. Experimentation of various hyper-parameters are used to improve the accuracy of the models, and in the process generate a comparison of the impact from the various hyper-parameters. Models were trained and evaluated on a training dataset consisting of 20 subjects and a validation dataset consisting of 5 subjects, with three different image modalities for each subject. Evaluation of the models found that the nnU-Net architecture was able to accurately segment the knee joint. Hyper-parameter experimentation found that the only improvement was a minor increase in accuracy when adding data augmentation to the model.
dc.language
dc.publisherNTNU
dc.titleSegmentation of Knee Joint Using 3D Convolutional Neural Networks
dc.typeMaster thesis


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record