prikaz prve stranice dokumenta Razvoj modela dubokog učenja za uklanjanje gipsa na pedijatrijskim medicinskim rendgenskim slikama
  Download
PDF 17.22 MB
master's thesis
Razvoj modela dubokog učenja za uklanjanje gipsa na pedijatrijskim medicinskim rendgenskim slikama
2024. urn:nbn:hr:190:362752
Vičević, Dominik
University of Rijeka
Faculty of Engineering

Cite this document

Vičević, D. (2024). Razvoj modela dubokog učenja za uklanjanje gipsa na pedijatrijskim medicinskim rendgenskim slikama (Master's thesis). Rijeka: University of Rijeka, Faculty of Engineering. Retrieved from https://urn.nsk.hr/urn:nbn:hr:190:362752

Vičević, Dominik. "Razvoj modela dubokog učenja za uklanjanje gipsa na pedijatrijskim medicinskim rendgenskim slikama." Master's thesis, University of Rijeka, Faculty of Engineering, 2024. https://urn.nsk.hr/urn:nbn:hr:190:362752

Vičević, Dominik. "Razvoj modela dubokog učenja za uklanjanje gipsa na pedijatrijskim medicinskim rendgenskim slikama." Master's thesis, University of Rijeka, Faculty of Engineering, 2024. https://urn.nsk.hr/urn:nbn:hr:190:362752

Vičević, D. (2024). 'Razvoj modela dubokog učenja za uklanjanje gipsa na pedijatrijskim medicinskim rendgenskim slikama', Master's thesis, University of Rijeka, Faculty of Engineering, accessed 24 September 2024, https://urn.nsk.hr/urn:nbn:hr:190:362752

Vičević D. Razvoj modela dubokog učenja za uklanjanje gipsa na pedijatrijskim medicinskim rendgenskim slikama [Master's thesis]. Rijeka: University of Rijeka, Faculty of Engineering; 2024 [cited 2024 September 24] Available at: https://urn.nsk.hr/urn:nbn:hr:190:362752

D. Vičević, "Razvoj modela dubokog učenja za uklanjanje gipsa na pedijatrijskim medicinskim rendgenskim slikama", Master's thesis, University of Rijeka, Faculty of Engineering, Rijeka, 2024. Available at: https://urn.nsk.hr/urn:nbn:hr:190:362752

Please login to the repository to save this object to your list.
Metadata
TitleRazvoj modela dubokog učenja za uklanjanje gipsa na pedijatrijskim medicinskim rendgenskim slikama
Title (english)Development of a deep learning model for cast removal on pediatric medical X-ray images
AuthorDominik Vičević
MentorIvan Štajduhar (mentor)
MentorFranko Hržić (komentor)
Committee memberIvo Ipšić (predsjednik povjerenstva)
Committee memberMladen Tomić (član povjerenstva)
Committee memberIvan Štajduhar (član povjerenstva)
GranterUniversity of Rijeka
Faculty of Engineering
Rijeka
Defense date and country2024-07-17, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Abstract
Gips je potporno sredstvo koje obavija ozlijeđeni dio tijela radi imobilizacije i ubrzanja procesa zacjeljivanja. Na rendgenskim snimkama kostiju, gips se prikazuje kao homogena bijela ili svjetlosiva struktura koja, zbog svoje gustoće, ometa prijenos rendgenskih zraka, čime se smanjuje vidljivost detalja i složenih struktura kostiju. Cilj ovog istraživanja je uklanjanje gipsa s pedijatrijskih medicinskih rendgenskih snimaka kostiju različitih anatomskih regija korištenjem translacije ne-uparenih slika. Tri različite metode su implementirane i evaluirane: CycleGAN, HarmonicGAN i CycleDiffusion. Iako je metoda CycleDiffusion pokazala superiorne rezultate prema kvantitativnim metrikama, vizualna procjena generiranih slika otkrila je česte slučajeve "halucinacija" (gubitak ili izobličenje anatomskih značajki kostiju nakon uklanjanja gipsa). S druge strane, GAN modeli su se pokazali učinkovitijima u očuvanju složenih detalja slika nakon uklanjanja gipsa, iako su prema evaluacijskim metrikama postigli slabije rezultate u usporedbi s CycleDiffusion metodom. Konkretno, HarmonicGAN model treniran na svim anatomskim regijama unutar skupa podataka dao je najbolje rezultate.
Abstract (english)
A cast is a supportive device that encircles the injured part of the body to immobilize it and accelerate the healing process. In radiographic bone imaging, a cast appears as a homogenous white or light gray structure that, due to its density, impedes the transmission of X-rays, thereby diminishing the visibility of details and intricate bone structures. This research aims to suppress casts from pediatric medical X-ray representations of bones in different anatomical regions through unpaired image-to-image translation. Three distinct approaches were employed and evaluated: CycleGAN, HarmonicGAN, and CycleDiffusion. While the CycleDiffusion method demonstrated superior performance based on quantitative metrics, visual assessment of the output images uncovered common instances of "hallucinations" (loss or distortion of bone anatomical features after cast suppression). Conversely, GAN models proved to be more effective in preserving image intricacies after cast suppression, albeit yielding inferior results compared to the CycleDiffusion method judging by the evaluation metrics. Specifically, the HarmonicGAN model trained on all anatomical regions within the dataset yielded the best results.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:190:362752
Study programmeTitle: Computer Engineering
Study programme type: university
Study level: graduate
Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
Type of resourceText
File originBorn digital
Access conditionsOpen access
Terms of useLicence Attribution 4.0 International (CC BY 4.0) icon
Created on2024-07-09 19:07:28