Naslov Predviđanje iskoristivog raspona nijansi sive u slikama medicinske radiologije Naslov (engleski) Prediction of useable greyscale range in medical radiology images Autor Natali Bakotić Mentor Ivan Štajduhar (mentor)Član povjerenstva Miroslav Joler (predsjednik povjerenstva)Član povjerenstva Ivan Štajduhar (član povjerenstva)Ustanova koja je dodijelila Sveučilište u Rijeci Datum i država obrane 2023-07-12, Hrvatska Znanstveno / umjetničko TEHNIČKE ZNANOSTI Sažetak 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.
Sažetak (engleski) 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.
Ključne riječi
DICOM
medicinske slike
radiologija
umjetna inteligencija
duboko učenje
konvolucijska neuronska mreža
srednja kvadratna pogreška
entropija
Ključne riječi (engleski)
DICOM
Medical Imaging
Radiology
Artificial Intelligence
Deep Learning
Convolutional Neural Network
Mean Squared Error
Entropy
Jezik hrvatski URN:NBN urn:nbn:hr:190:971902 Studijski program Naziv: Računarstvo Vrsta resursa Tekst Način izrade datoteke Izvorno digitalna Prava pristupa Otvoreni pristup Uvjeti korištenja Datum i vrijeme pohrane 2023-07-18 13:38:30
