Segmentacja obrazów DCE-MRI z użyciem algorytmów uczenia maszynowego w zastosowaniu do ilościowej oceny perfuzji nerek

Segmentacja obrazów jest jedną z ważniejszych procedur używanych przy określaniu
budowy anatomicznej organów, czy też funkcjonalności ich poszczególnych tkanek. Pozwala
ona na wyodrębnienie tzw. obszaru zainteresowania (ROI) oraz określenie jego stanu. Jako
taka, segmentacja stanowi istotny etap w przetwarzaniu obrazów wykonanych w technice
DCE-MRI, służącej do oceny perfuzji nerek. Kolejnym krokiem, które umożliwia ocenę
stanu nerki jest zastosowanie odpowiedniego modelu farmakokinetycznego na obszarze
funkcjonalnym nerki, który składa się z kory oraz miedniczek. Prawidłowo wykonana
segmentacja istotnie wpływa więc na jakość i skuteczność diagnostyki chorób nerek
wykorzystujących obrazy DCE-MRI.
Celem tej dysertacji było opracowanie algorytmu do segmentacji nerek w obrazach
DCE-MRI z zastosowaniem nienadzorowanego algorytmu uczenia maszynowego. Następnie,
przeprowadzona była ilościowa analiza perfuzji nerki poprzez zastosowanie modelu
farmakokinetycznego.
Segmentacja nerki była sporządzona za pomocą algorytmu k-średnich
zaimplementowanego w języku programistycznym Python. Do oszacowania stanu nerki
zastosowany był tzw. rozszerzony dwuprzedziałowy model zaproponowany przez Toftsa w
2012 roku oraz został zaimplementowany używając programu Matlab.
Otrzymane wyniki potwierdziły możliwość zastosowania zaproponowanych
rozwiązań oraz potrzebę optymalizacji w przyszłości.
Słowa kluczowe: DCE-MRI, nerka, segmentacja, k-means, GFR.

Image segmentation is one of the crucial procedures used to analyze the anatomical
structures or to assess the functionality of their tissues. It enables the extraction of the region
of interest (ROI) and estimation of its condition. Segmentation is a crucial stage of processing
the images acquired using Dynamic Contrast Enhanced Magnetic Resonance Imaging
(DCE-MRI) technique, which is used to assess the renal perfusion. Subsequent procedure,
which enables the estimation of the condition of the kidney, is the application of the
appropriate pharmacokinetic model on the functional region, which consist of cortex and
medulla. Properly performed segmentation significantly influences the quality and efficiency
of the kidney diseases diagnosis conducted using DCE-MR images.
The objective of this dissertation was the preparation of the computer program, which
would perform the kidney segmentation on DCE-MR images by applying the unsupervised
machine learning algorithm. Subsequently, the quantitative analysis of the renal function was
performed using pharmacokinetic model.
The segmentation procedure was performed using k-means algorithm implemented in
Python programming language. In order to assess the kidney functionality, a twocompartment
model proposed by Tofts et al. in 2012 and was implemented using Matlab
software.
The obtained results confirm the potential for the future development of proposed
solutions.
Keywords: DCE-MRI, kidney, segmentation, k-means, GFR.