Tato diplomová práce se zaměřuje na segmentaci tukové tkáně
a jater v MR snímcích. Teoretická část seznamuje čtenáře s biologií
tukové tkáně a jater, principem MR zobrazování a poskytuje široký přehled
používaných segmentačních metod. Experimentální část se věnuje
testování vybraných metod na reálných datech a jejich porovnání.
Anotace v angličtině
This diploma thesis is focused on segmentation of adipose
tissue and liver in MR images. The theoretical part introduces the biology
of adipose tissue and liver, principle of MR imaging to readers and
provides a wide overview of used segmentation methods. The experimental
part of the thesis deals with testing of chosen methods on real
data and their comparison.
magnetic resonance, MR imaging, medical image segmentation
Rozsah průvodní práce
97 s.
Jazyk
CZ
Anotace
Tato diplomová práce se zaměřuje na segmentaci tukové tkáně
a jater v MR snímcích. Teoretická část seznamuje čtenáře s biologií
tukové tkáně a jater, principem MR zobrazování a poskytuje široký přehled
používaných segmentačních metod. Experimentální část se věnuje
testování vybraných metod na reálných datech a jejich porovnání.
Anotace v angličtině
This diploma thesis is focused on segmentation of adipose
tissue and liver in MR images. The theoretical part introduces the biology
of adipose tissue and liver, principle of MR imaging to readers and
provides a wide overview of used segmentation methods. The experimental
part of the thesis deals with testing of chosen methods on real
data and their comparison.
magnetic resonance, MR imaging, medical image segmentation
Zásady pro vypracování
Cíle práce:
1. Popsat a seznámit se s principem MR a vlastnostmi různých typů MR obrazů
2. Zpracovat rešerši na existující algoritmy a programy pro segmentaci obrazu
3. Testování a optimalizace algoritmů segmentace, jež jsou používány na oddělení klinické a experimentální MR spektroskopie IKEM; otestování nových segmentačních algoritmů a programů
4. Porovnání výsledků jednotlivých segmentací
Teoretická východiska:
Pro kvantitativní vyhodnocení MR obrazu je potřeba vybrat oblasti zájmu, které budou použity pro další zpracování. Výběr oblasti se provádí tzv. segmentací, jež lze provádět zcela manuálně, nebo částečně automaticky. Manuální segmentace bývá nejpřesnější technikou, ale je velmi časově náročná a vnáší do vyhodnocení subjektivní faktor. Automatická či poloautomatická segmentace šetří čas, ale je náročná na nalezení optimálního a spolehlivého algoritmu pro konkrétní orgán či anatomickou strukturu při daném typu obrazu a jeho vážení. Cílem práce je prozkoumání existujících algoritmů a softwaru pro segmentaci MR obrazu a jejich implementace do stávajícího protokolu vyhodnocení MR snímků, pokud se ukáží, jako efektivnější než stávající postup segmentace.
Výzkumné předpoklady:
Pro úspěšné vypracování diplomové práce se předpokládá nastudování principu fungování magnetické rezonance, principů zpracování snímků MR a současných možností jejich segmentace. Poté budou tyto techniky porovnány.
Metoda:
Analýza současného stavu problematiky a implementace vybraných nových segmentačních technik, nebo optimalizace stávajících.
Technika práce:
Bude provedena segmentace anonymizovaných klinických MR dat. Jedna část dat se bude týkat segmentace parenchymu jater pro přesnou kvantifikaci jaterní steatózy a druhá část MR dat bude sloužit k výpočtu objemu viscerálního a subkutánního tuku v abdominální oblasti. Student bude zaškolen v současně používaných programech a algoritmech na pracovišti MR-ZRIR IKEM pro segmentaci jater a abdominálního tuku. Segmentace bude provedena standardním postupem a poté student provede optimalizaci stávajících metod, nebo na základě rešerše vybere zcela jinou, více perspektivnější metodu, pomocí které vyhodnotí data znovu. Výsledky obou či více provedených metod následně srovná co do kvality segmentace, tak i praktického použití. Výsledky segmentace ze standardního postupu budou sloužit k dalšímu vědeckému hodnocení vyšetřených subjektů v navazujících klinických studiích.
Místo a čas realizace výzkumu:
Výzkum bude probíhat od července roku 2018 do dubna 2019 na Oddělení experimentální MR spektroskopie a MR zobrazování IKEM.
Vzorek:
Nepředpokládá se využití respondentů.
Zásady pro vypracování
Cíle práce:
1. Popsat a seznámit se s principem MR a vlastnostmi různých typů MR obrazů
2. Zpracovat rešerši na existující algoritmy a programy pro segmentaci obrazu
3. Testování a optimalizace algoritmů segmentace, jež jsou používány na oddělení klinické a experimentální MR spektroskopie IKEM; otestování nových segmentačních algoritmů a programů
4. Porovnání výsledků jednotlivých segmentací
Teoretická východiska:
Pro kvantitativní vyhodnocení MR obrazu je potřeba vybrat oblasti zájmu, které budou použity pro další zpracování. Výběr oblasti se provádí tzv. segmentací, jež lze provádět zcela manuálně, nebo částečně automaticky. Manuální segmentace bývá nejpřesnější technikou, ale je velmi časově náročná a vnáší do vyhodnocení subjektivní faktor. Automatická či poloautomatická segmentace šetří čas, ale je náročná na nalezení optimálního a spolehlivého algoritmu pro konkrétní orgán či anatomickou strukturu při daném typu obrazu a jeho vážení. Cílem práce je prozkoumání existujících algoritmů a softwaru pro segmentaci MR obrazu a jejich implementace do stávajícího protokolu vyhodnocení MR snímků, pokud se ukáží, jako efektivnější než stávající postup segmentace.
Výzkumné předpoklady:
Pro úspěšné vypracování diplomové práce se předpokládá nastudování principu fungování magnetické rezonance, principů zpracování snímků MR a současných možností jejich segmentace. Poté budou tyto techniky porovnány.
Metoda:
Analýza současného stavu problematiky a implementace vybraných nových segmentačních technik, nebo optimalizace stávajících.
Technika práce:
Bude provedena segmentace anonymizovaných klinických MR dat. Jedna část dat se bude týkat segmentace parenchymu jater pro přesnou kvantifikaci jaterní steatózy a druhá část MR dat bude sloužit k výpočtu objemu viscerálního a subkutánního tuku v abdominální oblasti. Student bude zaškolen v současně používaných programech a algoritmech na pracovišti MR-ZRIR IKEM pro segmentaci jater a abdominálního tuku. Segmentace bude provedena standardním postupem a poté student provede optimalizaci stávajících metod, nebo na základě rešerše vybere zcela jinou, více perspektivnější metodu, pomocí které vyhodnotí data znovu. Výsledky obou či více provedených metod následně srovná co do kvality segmentace, tak i praktického použití. Výsledky segmentace ze standardního postupu budou sloužit k dalšímu vědeckému hodnocení vyšetřených subjektů v navazujících klinických studiích.
Místo a čas realizace výzkumu:
Výzkum bude probíhat od července roku 2018 do dubna 2019 na Oddělení experimentální MR spektroskopie a MR zobrazování IKEM.
Vzorek:
Nepředpokládá se využití respondentů.
Seznam doporučené literatury
[1] BROWN, Robert W., Yu-Chung N. CHENG, E. Mark. HAACKE, Michael R. THOMPSON a Ramesh. VENKATESAN. Magnetic resonance imaging: physical principles and sequence design. Second edition. Hoboken, New Jersey, 2014. ISBN 978-0-471-72085-0
[2] CONSTANTINIDES, Christakis. Magnetic resonance imaging: the basics. New York: Boca Raton, 2014.
ISBN 978-1-4822-1731-5
[3] EL-BAZ, Ayman S., Xiaoyi JIANG a Jasjit S. SURI. Biomedical image segmentation: advances and trends. New York: Boca Raton, 2017. ISBN 978-1-4822-5855-4
[4] ZHOU, S. Kevin. Medical image recognition, segmentation and parsing: Machine Learning and Multiple Object Approaches. Amsterdam: Elsevier, 2016. ISBN 978-0-12-802581-9
[5] ATAM P. DHAWAN. Medical image analysis. 2nd ed. Oxford: Wiley-Blackwell, 2011. ISBN 978-047-0622-056
[6] WALEK, Petr, Martin LAMOŠ a Jiří JAN. Analýza biomedicínských obrazů: Počítačová cvičení. Brno: Vysoké učení technické v Brně, 2013. ISBN 978-80-214-4792-9
[7] GONZALEZ, Rafael C. a Richard E. WOODS. Digital image processing. 3rd ed. Upper Saddle River, N.J.: Prentice Hall, c2008. ISBN 978-0-13-168728-8
[8] HU, Houchun Harry, Jun CHEN a Wei SHEN. Segmentation and quantification of adipose tissue by magnetic resonance imaging. Magnetic Resonance Materials in Physics, Biology and Medicine. 2016, 29(2), 259-276. DOI: 10.1007/s10334-015-0498-z. Dostupné z: http://link.springer.com/10.1007/s10334-015-0498-z
[9] GOTRA, Akshat, Lojan SIVAKUMARAN, Gabriel CHARTRAND, et al. Liver segmentation: indications, techniques and future directions. Insights into Imaging. 2017, 8(4), 377-392. DOI: 10.1007/s13244-017-0558-1. Dostupné z: http://link.springer.com/10.1007/s13244-017-0558-1
[10] BANKMAN, ISSAC N. Handbook of medical imaging: process and analysis. 2nd ed. London: Academic, 2008. ISBN 978-012-3739-049
[11] SPASOJEVIC, Aleksandar, Oliver STOJANOV, Tatjana Loncar TURUKALO a Olivera SVELJO. Estimation of subcutaneous and visceral fat tissue volume on abdominal MR images. 12th Symposium on Neural Network Applications in Electrical Engineering (NEUREL). IEEE, 2014, 217-220. DOI: 10.1109/NEUREL.2014.7011511. Dostupné z: http://ieeexplore.ieee.org/document/7011511/
Seznam doporučené literatury
[1] BROWN, Robert W., Yu-Chung N. CHENG, E. Mark. HAACKE, Michael R. THOMPSON a Ramesh. VENKATESAN. Magnetic resonance imaging: physical principles and sequence design. Second edition. Hoboken, New Jersey, 2014. ISBN 978-0-471-72085-0
[2] CONSTANTINIDES, Christakis. Magnetic resonance imaging: the basics. New York: Boca Raton, 2014.
ISBN 978-1-4822-1731-5
[3] EL-BAZ, Ayman S., Xiaoyi JIANG a Jasjit S. SURI. Biomedical image segmentation: advances and trends. New York: Boca Raton, 2017. ISBN 978-1-4822-5855-4
[4] ZHOU, S. Kevin. Medical image recognition, segmentation and parsing: Machine Learning and Multiple Object Approaches. Amsterdam: Elsevier, 2016. ISBN 978-0-12-802581-9
[5] ATAM P. DHAWAN. Medical image analysis. 2nd ed. Oxford: Wiley-Blackwell, 2011. ISBN 978-047-0622-056
[6] WALEK, Petr, Martin LAMOŠ a Jiří JAN. Analýza biomedicínských obrazů: Počítačová cvičení. Brno: Vysoké učení technické v Brně, 2013. ISBN 978-80-214-4792-9
[7] GONZALEZ, Rafael C. a Richard E. WOODS. Digital image processing. 3rd ed. Upper Saddle River, N.J.: Prentice Hall, c2008. ISBN 978-0-13-168728-8
[8] HU, Houchun Harry, Jun CHEN a Wei SHEN. Segmentation and quantification of adipose tissue by magnetic resonance imaging. Magnetic Resonance Materials in Physics, Biology and Medicine. 2016, 29(2), 259-276. DOI: 10.1007/s10334-015-0498-z. Dostupné z: http://link.springer.com/10.1007/s10334-015-0498-z
[9] GOTRA, Akshat, Lojan SIVAKUMARAN, Gabriel CHARTRAND, et al. Liver segmentation: indications, techniques and future directions. Insights into Imaging. 2017, 8(4), 377-392. DOI: 10.1007/s13244-017-0558-1. Dostupné z: http://link.springer.com/10.1007/s13244-017-0558-1
[10] BANKMAN, ISSAC N. Handbook of medical imaging: process and analysis. 2nd ed. London: Academic, 2008. ISBN 978-012-3739-049
[11] SPASOJEVIC, Aleksandar, Oliver STOJANOV, Tatjana Loncar TURUKALO a Olivera SVELJO. Estimation of subcutaneous and visceral fat tissue volume on abdominal MR images. 12th Symposium on Neural Network Applications in Electrical Engineering (NEUREL). IEEE, 2014, 217-220. DOI: 10.1109/NEUREL.2014.7011511. Dostupné z: http://ieeexplore.ieee.org/document/7011511/
Přílohy volně vložené
CD
Přílohy vázané v práci
tabulky
Převzato z knihovny
Ano
Plný text práce
Přílohy
Posudek(y) oponenta
Hodnocení vedoucího
Záznam průběhu obhajoby
Průběh obhajoby je zveřejněn pouze přihlášenému uživateli.