is Íslenska en English

Lokaverkefni (Meistara)

Háskóli Íslands > Verkfræði- og náttúruvísindasvið > Meistaraprófsritgerðir - Verkfræði- og náttúruvísindasvið >

Vinsamlegast notið þetta auðkenni þegar þið vitnið til verksins eða tengið í það: http://hdl.handle.net/1946/37121

Titill: 
  • Titill er á ensku A Deep Learning Approach to Automatic Proximal Femur Segmentation from Computed Tomography Scans
Námsstig: 
  • Meistara
Útdráttur: 
  • Útdráttur er á ensku

    Osteoporosis is a common bone disease that occurs when the creation of new bone does not keep up with the loss of old bone, resulting in increased fracture risk. Adults over the age of 50 are especially at risk and see their quality of life diminished because of limited mobility. We are developing a robust screening method capable of identifying individuals predisposed to hip fracture to address this clinical challenge. The method uses finite element analysis and relies on segmented computed tomography (CT) images of the hip. Presently, the segmentation of the proximal femur requires manual input: a tedious task, prone to human error, and severely limits the practicality of the method in a clinical context. In this MS thesis we developed a novel approach for segmenting the proximal femur that uses a deep convolutional neural network to produce accurate, automatic, robust, and fast segmentations of the femur from CT scans. The network architecture is based on the renowned u-net: a downsampling path extracts increasingly complex features of the input patch and an upsampling path converts the acquired low resolution image into a high resolution one. Skip connections allow us to recover critical spatial information lost during downsampling. Our model is directly compared to a state-of-the-art graph-cut method and achieves similar results in a fraction of the time, without human intervention. On an evaluation set of 1147 proximal femurs, the model delivers an average Dice similarity coefficient and 95th% Hausdorff distance of 0.990 and 0.999 mm, respectively.

  • Beinþynning er viðvarandi sjúkdómur eldra fólks sem veldur því að beinin tapa kalki og leiðir það til skerts styrks og eykur líkur á beinbroti. Aðallega er fólk yfir fimmtugt í áhættuhópi og getur beinbrot í lærleg minnkað lífsgæði vegna félagslegrar einangrunar og þunglyndis sem fylgir skertri hreyfigetu. Rannsóknarhópurinn okkar hefur þróað skimunaraðferð sem spáir fyrir um líkur eldra fólks á lærleggsbroti. Líkanið byggir á smábútaaðferðum og notar til þess tölvusneiðmyndir af mjaðmagrind og lærlegg, en til þess að smíða líkanið þarf fyrst að merkja lærlegginn á myndinni á nákvæman hátt. Í dag er það gert í höndunum, sem takmarkar klíníska notkun líkansins vegna þess hve seinvirk aðferðin er og vegna ósamræmis milli aðila sem taka sér slíkt verkefni fyrir hendur. Í þessu meistaraverkefni var þróuð nýstárleg aðferðafræði sem notar djúpt taugnet til að merkja lærlegg í tölvusneiðmyndum á sjálfvirkan og afar hraðvirkan hátt. Uppbygging taugnetsins miðast við hið afar vinsæla „U-net“ og er tauganetið þjálfað á einungis þrjátíu tölvusneiðmyndum. Í grófum dráttum eru myndirnar grisjaðar til að draga út sífellt flóknari þætti og síðan stækkaðar aftur til að endurheimta rúmfræðilega staðsetningu þáttanna. Með því að bjaga myndirnar örlítið, m.a. með formbreytingu, er hægt að stækka gagnasafnið töluvert. Í samanburði við handgerðar beinmerkingar er ljóst að nákvæmni taugnetsins nemur 99 prósentum í nær öllum tilvikum og er netið því harðgert og áreiðanlegt tól til sjálfvirkra merkinga. Það er óhætt að segja að með þessari aðferð er rannsóknarhópurinn einu skrefi nær því að innleiða skimunaraðferðina í klínískt umhverfi.

Samþykkt: 
  • 1.10.2020
URI: 
  • http://hdl.handle.net/1946/37121


Skrár
Skráarnafn Stærð AðgangurLýsingSkráartegund 
Meistaraverkefni_Páls_Ásgeirs_okt2020.pdf14.83 MBLokaður til...01.01.2022HeildartextiPDF
Skemman_yfirlysing.pdf221.51 kBLokaðurYfirlýsingPDF