Metody uczenia maszynowego w zastosowaniu do klasyfikacji obrazów rezonansu magnetycznego nerek

Poniższa praca dotyczy wykorzystania technik uczenia głębokiego z zastosowanie modelu AlexNet do rozpoznawania przewlekłej choroby nerek na obrazach rezonansu magnetycznego wykonanych w sekwencjach VIBE Dixon. Przewlekła choroba nerek ma charakter progresywny i prowadzi do całkowitej niewydolności narządu, co oznacza że w procesie leczenia niezwykle ważna jest jej wczesna diagnostyka. Dotyka ona około 30% całkowitej populacji powyżej 65 roku życia. Cechami charakterystycznymi mogącymi występować na obrazach rezonansu magnetycznego mogą być stany zapalne związane z obrzękiem narządu lub zwłóknienie zmieniające jego teksturę i zmniejszające objętość nerki.
W pracy wykorzystano obrazy pobrane od 18 pacjentów w różnym wieku i o różnym stadium posiadanej choroby. Zaliczono ich do 3 grup: grupa kontrolna (brak stwierdzonych objawów), grupa o przewlekłym stanie zapalnym nerki, a także pacjentów ze zmianami aktywnymi.
Otrzymane obrazy podzielono na grupę treningową i testową, a następnie dokonano augmentacji grupy treningowej, co miało na celu poprawienie generalizacji klasyfikacji poprzez syntetyczne powiększenie informacji przekazywanej na wejście modelu uczenia maszynowego w procesie jego treningu.
W wyniku przeprowadzonego procesu uczenia otrzymano model sieci neuronowej w architekturze AlexNet, której dokładność klasyfikacji była równa 72,73%.

The following thesis concerns the utilization of deep learning techniques employing the
AlexNet model for the recognition of chronic kidney disease in magnetic resonance images
obtained from VIBE Dixon sequences. Chronic kidney disease is progressive in na ture and can
lead to complete organ failure, underscoring the significance of its early diagnosis in treatment.
It affects approximately 30% of the total population above the age of 65. Characteristic features
that may manifest in magnetic resonance images include inflammatory conditions linked to
organ edema or fibrosis altering its texture and reducing kidney volume.
For this study, images from 18 patients of varying ages and disease stages were employed. They
were categorized into three groups: a control group (no discernible symptoms), a group with
chronic kidney inflammation, and patients exhibiting active changes.
The obtained images were divided into training and testing sets, with augmentation applied to
the training group to enhance classification generalization by synthetically augmenting the
input information during machine learning model training.
The result of this training process yielded a neural network model utilizing the AlexNet
architecture, achieving a classification accuracy of 72.73%.