Neural networks for aorta image analysis

Abstract

Вследствие увеличения вычислительных мощностей и большого объёма информации область машинного обучения получила огромный толчок в развитии. В последнее время, с помощью глубокого обучения выдающиеся результаты были достигнуты почти во всех областях анализа медицинских изображений. Целью данной работы является разработка нейросетевых методов для проведения анализа изображений аорты. Для достижения вышеупомянутой цели в рамках данной работы были поставлены следующие задачи: подготовка датасета; сегментация аорты на изображениях; сегментация просветов аорты на изображениях; определение диаметра аорты на изображениях. Автор сотрудничал с врачами из клиники высоких медицинских технологий им. Н. И. Пирогова. Сотрудники клиники предоставили необходимую информацию о заболеваниях аорты, а также обозначили ряд проблем в диагностике, предоставив примеры данных для изучения. В работе были изучены возможности использования передовых алгоритмов нейронных сетей и методологии изучения аорты для сегментации аорты и её просветов.В итоге работы с моделями машинного обучения в рамках поставленных целей и задач исследования, автор обучил суммарно 9 нейросетей. Для 3 различных задач, были проверены классический U-net с Resnet50, DeepLabV3 с Xception71 и передовой TransUnet. Результаты, полученные автором, позволили оценить достижения новых моделей и наметить будущие тенденции для улучшения архитектур сегментации.

Due to increase of computational power and available data, machine learning received a great boost in development. In recent years outstanding results have been achieved in almost all areas of medical image analysis using deep learning. The main goal of this work is to develop aortic analysis methods using neural networks. The goal was split into the following tasks: prepare datasets, perform segmentation of aorta on 2D images, perform segmentation of aortic lumens on 2D images and measuring aortic diameter. The author collaborated with doctors from the clinic of high medical technologies named after. N. I. Pirogov. The clinic staff provided the necessary information about aortic diseases, as well as identified a number of diagnostic problems, providing examples of data. In this paper, author studied state of the art pretrained machine learning algorithms for segmentation of aorta and its lumens. As a result of the paper, author trained in total 9 models. U-net, DeepLabV3Plus and TransUnet were tested in 3 segmentation tasks. The results obtained by the author made it possible to evaluate the achievements of new models and outline future trends for improving segmentation architectures.