Kransarterie segmentering ved bruk av dyp læring

En metode for diagnostisering av hjerte-karsykdommer er å måle FFR (fractional flow reserve), som innebærer et lite kirurgisk inngrep. Ved å ekstrahere den geometriske strukturen av hjertets kransarterier fra CT bilder sammen med fluiddynamikk kan FFR bli målt automatisk. En automatisk måling av FFR vil kunne spare ressurser, kostnader og redusere helseriskoer for pasienten. Denne masteroppgaven omhandler hvordan den geometriske strukturen til kransarteriene kan ekstraheres automatisk gjennom CT bilder ved bruk av dyplæring modeller. Modellene brukt i denne oppgaven er BVNet, BVNet3D og SegCaps. BVNet modellen bruker 2D skiver av CT bildene, men benytter seg av flere kanaler for å få en 3D effekt og den har lavere minnebruk fordi alle de matematiske operasjonene er 2D. Dette utforskes i ekperiment 1 som besto av å finne det optimale antall kanaler og steglengde for å forbedre BVNet modellen. I dette eksprimentet økte dice verdien med noen untak ved å øke kannal størrelsen og steglengde 2. Den modelen med best gjennomsnittlig Dice post verdi var med 7 kanaler og stride 2, men den inneholdt noen sprik mellom de sanne positive. Den generelle BVNet modellen har 5 kanaler og steglengde 1 og er brukt i de andre eksprimentene, fordi den har lavere minnebruk og har den beste gjennomsnittlig Dice raw verdien. BVNet3D modellen har samme arktitektur som BVNet modellen bortsett fra at alle de 2D matematiske operasjonene er byttet ut med 3D, som gjør at den får større minnebruk. SegCaps modellen bruker CapsuleNet til segmentering, og ble først brukt til dette i 2018. CapsuleNet bruker vektorer framfor skalarer og egne strategier for å bestemme hvilke av capsulene i det neste laget som skal aktiveres, slik at de kan unngå å bruke maxPooling. Skalarer blir brukt av convolutional nettverk modeller som BVNet og BVNet3D. Videre er modellene testet på forskjellige data spliter av kransarteriene, Aorta og portalvenen for å finne fordeler og ulemper ved de ulike modellene for binær klassifikasjon. Aorta er valgt på bakgrunn av at den har en stor tubulær struktur som betyr at den i utgangspunktet skal være lett å finne. Portalvenen er valgt for å undersøke om modellene kan bli brukt på årer generelt. BVNet modellen var best til å prediktere Aortaen best dice verdien i den fleste tilfeller rundt 90 %, hvor de andre modelene hadde mange falske positive prediksjoner. BVNet3D modelen hadde færre falske negative and flere falske positive prediksjoner for segmenteringen av kransearteriene og portal venene. SegCaps modelen var dårligst, men viste et stort forbedringspotensial. Det siste eksperimentet utforskes bruken av Frangi filteret, som blir brukt til finne årestrukturer. Målet med dette eksperimentet er for å finne ut om bruken av Frangi filteret kan gjøre BVNet modellen mer presis i å finne kransarteriene. I del en av det siste eksperiment blir Frangi filterte benyttet på CT bildene som input på BVNet modellen. Resultatet hadde stor forskjell mellom dice verdiene for de ulike testbildene, som indikerer at de beste hyperparameterne ikke ble brukt til å generere Frangi filteret i fleste tilfeller. I del to av Frangi filter eksperimentet blir både CT bilder og Frangi filteret CT bilder brukt som input på BVNet modellen. Resultatet økte ikke dice verdien, men forskjellen mellom den beste og værste prediksjonen ble redusert. Modellene brukt i denne oppgaven ser lovende ut, men ingen av dem er gode nok til å bli brukt til å måle FFR uten videre utviklig