Epicardial fat segmentation

Epikardijalna mast (EM) masno je tkivo koje se nalazi izmed¯u srca i perikarda. Volumen i debljina epikardijalnog masnog tkiva povezai su s razliˇcitim bolestima kao što su ateroskleroza, masnoc´a srca, te drugim nepovoljnim kardiovaskularnim dogad¯ajima. EM je nezavisnan indikator rizika od srˇcanih bolesti. Potpuno automatskim i pouzdanim mjerenjem EM iz CT slika mogu se obraditi veliki skupovi CT slika i time napraviti sistematska studija epikardijalne masti. Ovaj rad predlaže potpuno automatsku metodu semantiˇcke segmetnacije epikardijalne masti iz CT slika koriste ´ci duboke neuronske mreže. Koristi se modificirana U-Net arhitektura s ResNet34 koderom. Model je treniran na 20 CT slika srca dobivenih iz dva razlicˇita CT ured¯aja. Rezultat modela su predikcije segmentiranih podruˇcja EM na CT slikama. Kvantitativna evaluacija rezultata pokazuje podudaranje Dice mjerila od 0,70. U radu je pokazano da je mogu´ce posti´ci grubu semantiˇcku segmentaciju EM dubokom neuronskom mrežom ˇcak i uz mali broj podataka uz pomo´c dobre predobrade podatkovnog skupa. Rad pokazuje i ovisnost utjecaja augmentacije podataka na konaˇcni rezultat semantiˇcke segmentacije CT slika.Epicardial fat (EF) is an adipose tissue located between the heard and the pericardium. The volume and thickness of EF is linked with various conditions such as atherosclerosis, visceral adiposity and other cardiovascular events. EF is also an independent cardiovascular disease risk factor. Fully automatic and reliable measurements of EF from CT scans could enable processing large CT image data sets for a systemic EF study. This thesis proposes a method for fully automatic semantic segmentation of EF tissue from CT images using a deep neural network. The model has a modified U-Net architecture with a ResNet34 encoder. The model is trained on 20 CT scans of the heart. The model results in a prediction of segmented EF area on CT images. Quantitive analysis of the model’s results yields a Dice score of 0.70. This thesis shows that it is possible to achieve rough semantic segmentation of EF tissue using a neural network even without large amounts of data, provided the data is preprocessed appropriately. It also shows the impact of data augmentation on segmentation results from CT images