Celem pracy było wytworzenie algorytmu wykorzystującego konwolucyjne sieci neuronowe do segmentacji wątroby na obrazach z tomografii komputerowej. Był to pierwszy etap większego projektu mającego służyć wsparciu procesu kontroli leczenia nowotworowych guzów wątroby poprzez automatyzację porównania ich objętości przed i po podaniu leczenia. Dane obrazowe poddawane segmentacji były uzyskane w fazie żylnej po podaniu kontrastu do układu krwionośnego wątroby.

Do algorytmu wykorzystano głęboką konwolucyjną sieć neuronową o strukturze enkoder – dekoder. Jako enkoder zastosowano nauczony model sieci vgg16 [1] wytrenowany na ogólnodostępnym zbiorze ponad 14 milionów obrazów ImageNet. Jako dekodera użyto pięciu warstw dekonwolucyjnych, co pozwoliło uzyskać całkowicie konwolucyjną sieć neuronową i otrzymać na wyjściu obraz tego samego rozmiaru co na wejściu z odpowiednio sklasyfikowanymi wokselami. Końcowe warstwy sieci zostały douczone na obrazach z tomografii komputerowej.

Jako miarę skuteczności działania algorytmu przyjęto współczynnik Dice. Model uczono, walidowano oraz testowano na ogólnodostępnym zbiorze danych Research Institute against Digestive Cancer IRCAD. Baza ta zawiera obrazy z tomografii komputerowej pacjentów chorych na raka wątroby. Dane wykorzystane do budowy modelu 3Dircadb1 zawierały zdjęcia tomograficzne 3D 10 kobiet i 10 mężczyzn. Model douczany na 10 pacjentach i testowany na 7 pacjentach osiągnął średni wynik współczynnik Dice równy 0,87. Natomiast najlepsze segmentacje wątroby dla dwóch pacjentów uzyskały Dice równy 0,90.

Uzyskane wyniki będą wstępem do następnego etapu pracy, jakim będzie wykrywanie guzów znajdujących się w wątrobie. Można liczyć na to, że trafność przewidywania zostanie jeszcze poprawiona dzięki wykorzystaniu połączonej informacji z dwóch sieci uczonych na obrazach w prostopadłych płaszczyznach. Aby uzyskać pewność co do poprawnego działania modelu należy go przetestować na większej ilości danych z różnych ośrodków i sprawdzić jego uniwersalność. Niezależnie od dalszych kroków, obecne wyniki pozwalają uznać metodę segmentacji za pomocą konwolucyjnych sieci neuronowych za rozwiązanie szybkie i skuteczne.

Bibliografia:

[1] Very Deep Convolutional Networks for Large-Scale Image Recognition. K. Simonyan, A. Zisserman. arXiv:1409.1556