Model autoenkodera za razlikovanje nedonoščadi od novorođenčadi na temelju slika magnetske rezonancije mozga

master's thesis

• Title (english): An autoencoder model for distinguishing premature infants from newborns based on brain magnetic resonance images
• Author: Rea Pintar
• Mentor: Jelena Božek (mentor)
• Committee member: Jelena Božek (predsjednik povjerenstva)
• Committee member: Sonja Grgić (član povjerenstva)
• Committee member: Dario Bojanjac (član povjerenstva)
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; Zagreb
• Defense date and country: 2024-09-19, Croatia

Abstract

U ovome radu razmatra se upotreba CNN autoenkodera za razlikovanje terminske novorođenčadi od nedonoščadi na temelju primjene navedenog modela za zadatak detekcije anomalije. U kontekstu rada smatramo slike terminske novorođenčadi kao tzv. "normalne" slike, a nedonoščadi "slike s anomalijom" (ovo odvajanje potrebno je zbog primjene autoenkodera za detekciju anomalije). Korištenjem skupa podataka prikupljenog u sklopu projekta Developing Human Connectome Project (dHCP) te autoenkodera pokušavamo klasificirati slike MR kao terminsku novorođenčad ili nedonoščad. Autoenkoder je treniran koristeći slike terminske novorođenčadi te u fazi testiranja može detektirati anomaliju na slikama nedonoščadi na temelju veže rekonstrukcijske greške, koja ukazuje upravo na razlike u stupnju razvoja. U radu se osvrćemo na izazove koji se pojavljuju tijekom analize kao obrada memorijski većih datoteka poput onih u skupu slika MR te korake predobrade koje iste zahtijevaju. Rezultati su pokazali kako postoji potencijal da autoenkoderi mogu detektirati anomaliju na ovakvim slikama, no performanse modela ovise o kvaliteti podataka te složenosti modela. Unatoč velikom potencijalu, autoenkoderi nisu idealni za samostalnu upotrebu u zdravstvu te se mogu koristiti kao pomoćni alat uz druge tehnologije poput segmentacije. Zajedničko korištenje autoenkodera sa segmentacijskim alatima može poboljšati performanse alata, što može nuditi dublju analizu moždanog razvoja u neonatalnom istraživanju.

Abstract (english)

This thesis explores the use of CNN autoencoders in detecting anomalies in brain MRI scans of term and preterm born infants. By utilizing data from the Developing Human Connectome Project (dHCP) along with autoencoders we are attempting to classify MRI scans of term and preterm infants. The autoencoder is trained on scans of term infants, enabling it to identify anomalies in preterm scans through reconstruction errors that highlight developmental differences. The research addresses the challenges of processing large MRI datasets, requiring significant preprocessing such as image tiling to handle memory limitations. Results show that there is potential that autoencoders can differentiate between normal and anomaly scans, but its performance depends on data quality and model complexity. While autoencoders show great potential in anomaly detection, they are unlikely to achieve perfect accuracy and should be used as complementary tools to segmentation technologies. Combining autoencoders with image segmentation techniques could enhance their effectiveness, offering a more precise analysis of brain development in neonatal research.

• Keywords: Autoenkoder; Neuronske mreže; Magnetska rezonancija; Obrada 3D slike
• Keywords (english): Autoencoder; Neural Networks; Magnetic Resonance; 3D Image Processing
• Language: croatian
• URN:NBN: urn:nbn:hr:168:686865
• Study programme: Title: Computing; Study programme type: university; Study level: graduate; Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Closed access
• Created on: 2024-10-12 21:52:35