CT Image Segmentation Using Deep Learning
Master thesis
Permanent lenke
https://hdl.handle.net/11250/3138718Utgivelsesdato
2024Metadata
Vis full innførselSamlinger
Beskrivelse
Full text not available
Sammendrag
På grunn av hastighet, rimelighet og høy bildekvalitet, er CECT ofte det foretrukne valget for medisinske undersøkelser. Imidlertid, i noen tilfeller, på grunn av allergier eller andre årsaker, er det ikke passende å injisere kontrastmidler til pasienter, og da bør NCCT brukes som erstatning. Men dette vil også redusere bildekvaliteten, noe som gjør manuell annotering vanskeligere.I dette prosjektet prøvde vi å adressere problemet med NCCT segmentering med DL tilnærminger. Det private datasettet vi brukte var fra et samarbeidende selskap, inkludert verdifulle CECT og NCCT data fra 10 Duroc-griser. Med datasettet gjennomførte vi tre serier med eksperimenter - datavalg, bruk av registrerte CECT masker for NCCT prediksjoner, og nettverksekspansjoner, ved å bruke nnUNetv2 (den siste versjonen av nnU-Net) - en av de mest populære instans segmenteringsmodellene i det medisinske området. I serien med nettverksekspansjon og modifikasjonseksperimenter introduserte vi CBAM og ECA - to oppmerksomhetsmoduler som ikke var inkludert i en standard nnU-Net. Videre gjorde vi modifikasjoner til disse to modulene og brukte dem først på 3D full-oppløsning nnU-Net.Fra eksperimenter fant vi at det simpelthen å blande CECT og NCCT data I ett treningssett ikke ville forbedre segmenteringsytelsen; å bare øke kompleksiteten/parametrene til modulene ville ikke være nyttig, spesielt på understrukturen (venstre ventrikkel i dette prosjektet) i NCCT bilder; å øke datamangfoldet (bilder fra forskjellige tider eller individer med samme CT typer) kan effektivt forbedre segmenteringsresultatene. Til slutt, med benchmark-eksperimenter, fant vi at nnU-Net med ECA moduler lagt til i koderen kunne oppnå den beste samlede segmenteringsytelsen på NCCT bilder, noe som indikerer at nnU-Net fortsatt er en av SOTA modellen i området for medisinsk bildeinstanssegmentering. Due to its speed, affordability, and high imaging quality, Contrast-Enhanced Computed Tomography (CECT) is often the preferred choice for medical examinations. However, in some cases, because of allergies or other reasons, it is not suitable to inject contrast agents to patients when Non-Contrast-Enhanced Computed Tomography (NCCT) should be used as a replacement. But this will also decrease the imaging quality when manually annotating can be harder. In this project, we were trying to address the problem of NCCT segmentation with Deep Learning (DL) approaches. The private dataset we used was from a cooperating company, including valuable CECT and NCCT data from 10 Duroc boars. With the dataset, we carried out three series of experiments - data selection, utilizing registered CECT masks for NCCT predictions, and network expansions, using nnU-Netv2 (the latest version of nnU-Net) - one of the most popular instance segmentation models in the medical area. Within the series of network expansion and modification experiments, we introduced Convolutional Block Attention Module (CBAM) and Efficient Channel Attention (ECA) - two attention modules that were not included in a default nnU-Net. Furthermore, we made modifications to these two modules and first applied them to the 3D full-resolution nnU-Net. From experiments, we found that simply mixing CECT and NCCT data into one training set would not improve the segmentation performance; Simply increasing the complexity/parameters of the modules would not be helpful, especially on the sub-structure (left ventricle in this project) in NCCT images; Increasing the diversity of data (images from different time or individuals with the same Computed Tomography (CT) types) can effectively improve segmentation results. Lastly, with benchmark experiments, we found that nnU-Net with ECA modules added in the encoder could achieve the best overall segmentation performance on NCCT images, indicating the nnU-Net is still one of the State-of-the-Art (SOTA) models in medical image instance segmentation area.