Identifikace a modelování tkání z medicínských obrazů na základě metod shlukové analýzy s prvky umělé inteligence

Jiří Škandera

Diplomová práce

Identification and Modeling of Tissues from Medical Images based on Clustering Analysis with Elements of Artificial Intelligence

Anotace:

Tato diplomová práce se zabývá metodami shlukové analýzy s prvky umělé inteligence určené kregionální segmentaci medicínských obrazů. Za pomocí segmentace jsme schopni rozčlenit a klasifikovat určitou oblast zájmu snímku, která je pro nás stěžejní. Radiodiagnostické metody dnešní doby dosahují velmi kvalitních obrazových výstupů, avšak častým jevem při získání snímku je jeho ovlivnění parazitním šumem. Metody umělé inteligence využívající evolučních a genetických algoritmů jsou v mnoha oborech využívány k řešení velmi složitých optimalizačních problémů. Převedením těchto algoritmů do kontextu obrazové segmentace jsme schopni docílit kvalitnějšího rozdělení obrazu do jednotlivých segmentů a kompenzovat tak nedostatky konvenčních metod. V této práci je zahrnuta komparační analýza jednotlivých metod v kontextu variabilních obrazových podmínek. Konkrétně se jedná o algoritmy KM, FCM, GA a PSO, které byly podrobeny důkladné analýze v testovacím a simulačním prostředí programu MATLAB. V další části práce je provedena extrakce a modelování tkání z medicínských snímků taktéž ovlivněných parazitním šumem. Výsledkem jsou globální zhodnocení všech zmíněných algoritmů za pomoci objektivních evaluačních parametrů. V závěru jsou zhodnoceny všechny výsledné analýzy a současně bylo vytvořeno grafické uživatelské prostředí pro lepší pochopení a komparaci analyzovaných metod.

Abstract:

This thesis deals with methods of cluster analysis with elements of artificial intelligence designed for regional segmentation of medical images. With the help of segmentation, we are able to break down and classify a certain area of interest of the image, which is crucial for us. Today's radiodiagnostic methods achieve high-quality image outputs, but a frequent phenomenon in obtaining an image is its influence on parasitic noise. Artificial intelligence methods using evolutionary and genetic algorithms are used in many fields to solve very complex optimization problems. By converting these algorithms into the context of image segmentation, we are able to achieve a better division of the image into individual segments and thus compensate for the shortcomings of conventional methods. This work includes a comparative analysis of individual methods in the context of variable image conditions. Specifically, these are the algorithms KM, FCM, GA, PSO, which were subjected to a thorough analysis in the test and simulation environment of the MATLAB software. In the next part of the work, the extraction and modeling of tissues from medical images also affected by parasitic noise is performed. The result is a global evaluation of all mentioned algorithms using objective evaluation parameters. In the end, all the resulting analyzes are evaluated and at the same time a graphical user environment was created for a better understanding and comparison of the analyzed methods.

Klíčová slova

shluková analýza, segmentace obrazu, k-means, fuzzy c-means, genetické algoritmy, optimalizace rojem částic, umělá inteligence

Keywords

cluster analysis, image segmentation, k-means, fuzzy c-means, genetic algorithm, particle swarm optimization, artificial intelligence

Jazyk práce: čeština

Datum vytvoření / odevzdání či podání práce: 30. 4. 2021

Obhajoba závěrečné práce

• Obhajoba proběhla 3. 6. 2021
• Vedoucí: Jan Kubíček
• Oponent: Martin Nedopil

VŠB – Technická univerzita Ostrava

Fakulta elektrotechniky a informatiky

Magisterský studijní program:
Biomedicínské inženýrství