prikaz prve stranice dokumenta Predviđanje iskoristivog raspona nijansi sive u slikama medicinske radiologije
  Download
PDF 1.29 MB
undergraduate thesis
Predviđanje iskoristivog raspona nijansi sive u slikama medicinske radiologije
2023. urn:nbn:hr:190:971902
Bakotić, Natali
University of Rijeka
Faculty of Engineering

Cite this document

Bakotić, N. (2023). Predviđanje iskoristivog raspona nijansi sive u slikama medicinske radiologije (Undergraduate thesis). Rijeka: University of Rijeka, Faculty of Engineering. Retrieved from https://urn.nsk.hr/urn:nbn:hr:190:971902

Bakotić, Natali. "Predviđanje iskoristivog raspona nijansi sive u slikama medicinske radiologije." Undergraduate thesis, University of Rijeka, Faculty of Engineering, 2023. https://urn.nsk.hr/urn:nbn:hr:190:971902

Bakotić, Natali. "Predviđanje iskoristivog raspona nijansi sive u slikama medicinske radiologije." Undergraduate thesis, University of Rijeka, Faculty of Engineering, 2023. https://urn.nsk.hr/urn:nbn:hr:190:971902

Bakotić, N. (2023). 'Predviđanje iskoristivog raspona nijansi sive u slikama medicinske radiologije', Undergraduate thesis, University of Rijeka, Faculty of Engineering, accessed 09 May 2024, https://urn.nsk.hr/urn:nbn:hr:190:971902

Bakotić N. Predviđanje iskoristivog raspona nijansi sive u slikama medicinske radiologije [Undergraduate thesis]. Rijeka: University of Rijeka, Faculty of Engineering; 2023 [cited 2024 May 09] Available at: https://urn.nsk.hr/urn:nbn:hr:190:971902

N. Bakotić, "Predviđanje iskoristivog raspona nijansi sive u slikama medicinske radiologije", Undergraduate thesis, University of Rijeka, Faculty of Engineering, Rijeka, 2023. Available at: https://urn.nsk.hr/urn:nbn:hr:190:971902

Please login to the repository to save this object to your list.
Metadata
TitlePredviđanje iskoristivog raspona nijansi sive u slikama medicinske radiologije
Title (english)Prediction of useable greyscale range in medical radiology images
AuthorNatali Bakotić
MentorIvan Štajduhar (mentor)
Committee memberMiroslav Joler (predsjednik povjerenstva)
Committee memberIvan Štajduhar (član povjerenstva)
GranterUniversity of Rijeka
Faculty of Engineering
Rijeka
Defense date and country2023-07-12, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Artificial Intelligence
Abstract
U posljednjih nekoliko godina, umjetna inteligencija (UI) se sve češće koristi u medicinskoj radiologiji. Razlog tome je povećanje obima medicinskih podataka u digitalnom obliku i činjenice da UI modeli imaju sposobnost naučiti kompleksne, ljudima neuočljive uzorke i veze među njima. Jedan od razloga za sve češću primjenu UI je standardizacija medicinskih slika. Jedan od najkorištenijih formata za medicinske slike je Digitalne slike i komunikacija u medicini (DICOM), koji osim same slike u zaglavlju datoteke ima spremljene i metapodatke s dodatnim informacijama o slici. DICOM format podržava slike dobivene raznim tehnikama i u različitim dubinama boja. Međutim, većina zaslona može prikazati samo slike dubine 8 bitova, pa medicinske slike moraju biti prilagođene za takav prikaz. To se najčešće provodi koristeći dva parametra, razina i širina prozora (eng. window level and width), koji su pohranjeni u metapodacima. Postupak prilagodbe se provodi tako da se pomoću razine i širine prozora odredi početak i kraj korisnog raspona nijansi sive, a sve izvan tog područja se prikazuje kao crno ako su vrijednosti manje od početka raspona, odnosno kao bijelo ako su veće od kraja raspona. Vrijednosti unutar korisnog raspona preslikavaju se u raspon 0-255 i linearno interpoliraju, što dovodi to znatno jasnijeg prikaza slike zbog smanjenog raspona koji se treba prikazati. Osim toga, većina suvremenih modela za duboko učenje zahtjeva da slike budu u nekom od češće korištenih formata, što znači da nedostatak informacija za prilagodbu slika sprječava širu primjenu UI u medicini. Zbog toga se istražuju brojne tehnike za obradu medicinskih podataka. U ovom radu ispitana je mogućnost korištenja konvolucijske neuronske mreže trenirane na slikama medicinske radiologije za predviđanje parametara koji nedostaju. Izvorna hipoteza je da semantički slične slike (tj. slike koje sadrže slične objekte), imaju sličan iskoristivi raspon boja, te stoga neuronska mreža taj raspon može naučiti iz samih slika. Osnova za ovo istraživanje je članak „Estimation of Missing Parameters for DICOM to 8-bit X-ray Image Export“, pa su metode predložene u njemu korištene za usporedbu.
Abstract (english)
Digital Imaging and Communication in Medicine (DICOM) is a standard format for storing medical images along with their associated metadata. It supports files obtained by different imaging techniques and with different bit depths. However, most monitors can only display images with a depth of 8 bits, so medical images often need to be converted. To preserve as much information as possible, a windowing area of interest is selected from the entire range of pixel values. This area is defined by two parameters: window level and width, which are often missing, so the conversion cannot be done accurately. In addition, most state-of-the-art deep learning models require images in 8-bit format, so the missing information hinders wider application of artificial intelligence in clinical practise. In this manuscript, we explore the possibility of using a convolutional neural network trained on medical images and metadata to estimate the missing window parameters. The hypothesis was that semantically similar images have a similar area of interest so the window parameters can be estimated directly from the images themselves. The dataset consisted of approximately 24,700 DICOM files with different bit depths, modalities and body parts, obtained from the Clinical Hospital Centre Rijeka PACS. The performance of the predicted windowing parameters was measured by the mean squared error of the true and predicted values and by entropy (amount of preserved information). This performance was compared to windowing with true parameters and methods proposed in ”Estimation of Missing Parameters for DICOM to 8-bit X-ray Image Export” by Hrziˇ c et al. We ´ show that although it is possible for a neural network to learn windowing parameters from medical imaging data, in terms of entropy it still fails to outperform some simpler methods proposed in the aforementioned study, so we investigate why.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:190:971902
Study programmeTitle: Computer Engineering
Study programme type: university
Study level: undergraduate
Academic / professional title: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva)
Type of resourceText
File originBorn digital
Access conditionsOpen access
Embargo expiration date: 2023-12-31
Terms of useLicence Attribution 4.0 International (CC BY 4.0) icon
Created on2023-07-18 13:38:30