Segmentacja obrazów tomografii komputerowej przegrody nosowej z wykorzystaniem algorytmów głębokiego uczenia

Pomimo obszernych badań, automatyczna segmentacja obrazów medycznych wciąż stanowi
wyzwanie, głównie przez wzgląd na skomplikowanie anatomicznych struktur ciała ludzkiego.
Jednakże niedawne postępy w dziedzinie uczenia maszynowego, związane z gwałtownym
rozwojem metod opartych o sztuczne sieci neuronowe, przyczyniły się do znacznego
polepszenia wyników w zastosowaniach związanych z rozpoznawaniem oraz segmentacją
obrazów. Niniejsza praca prezentuje model perceptronu wielowarstwowego opracowany
w celu segmentacji obrazów tomografii komputerowej. Model ten został wytrenowany oraz
poddany ewaluacji przy użyciu obrazów tomografii komputerowej głowy. Otrzymane wyniki
zostały zestawione z wynikami segmentacji z wykorzystaniem szerzej stosowanych metod
segmentacji, tj. progowania, algorytmu centroidów, modelu mieszanin gaussowskich
wykorzystującego algorytm Expectation Maximization (EM) oraz regresji logistycznej.
Słowa kluczowe: sztuczne sieci neuronowe, uczenie głębokie, segmentacja obrazów,
tomografia komputerowa, przegroda nosowa, perceptron wielowarstwowy.

Despite an extensive research, automatic segmentation of medical images is still a challenging
task, mainly due to the anatomical complexity of a human body. However, a recent rapid
development of the data driven approaches using deep neural networks led to a significant
improvement of the performance in the field of semantic segmentation and image recognition.
This study presents a deep, multilayer perceptron (MLP) model that can be used for the
automatic semantic segmentation of medical images. Proposed model has been trained and
evaluated on the computed tomography (CT) head images. The results of an evaluation have
been compared with results obtained using other, more conventional segmentation methods,
including thresholding, K-means algorithm, Gaussian Mixture model with Expectation
Maximization algorithm and logistic regression.
Keywords: artificial neural networks, deep learning, medical image segmentation, CT
images, nasal cavity, multilayer perceptron.