Primjena umjetne inteligencije u automatskoj dijagnostici rendgenskih snimaka prsnog koša

diplomski rad

• Naslov (engleski): The application of artificial intelligence in automated diagnosis from chest X-rays
• Autor: Jan Kolić
• Mentor: Andrija Štajduhar (mentor)
• Član povjerenstva: Milan Radoš (predsjednik povjerenstva)
• Član povjerenstva: Sanja Musić Milanović (član povjerenstva)
• Član povjerenstva: Andrija Štajduhar (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Medicinski fakultet; (KATEDRA ZA INTERNU MEDICINU); Zagreb
• Datum i država obrane: 2023-09-19, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: BIOMEDICINA I ZDRAVSTVO; Kliničke medicinske znanosti; Interna medicina

Sažetak

Umjetna inteligencija se sve više koristi za rješavanje različitih problema. Značajan udio predstavljaju i problemi analize slika za koji se uspješno koriste konvolucijske neuronske mreže po principu dubokog učenja. Takvi problemi postoje i u većini grana medicine, a posebno u radiologiji , gdje analiza snimaka predstavlja velik posao na koji se troši puno vremena i resursa. U ovom radu, fokus je na detekciji patoloških stanja iz rendgenskih snimaka prsnog koša. Opisani s u načini i posebnosti snimanja i radiološke analize rendgenskih snimaka prsnog koša. Objašnjeni su temeljni pojmovi i dio teoretske podloge umjetne inteligencije, s posebnim naglaskom na modele dubokog učenja i računalnog vida kao podvrstu strojnog učenja. Treniranje takvih modela zahtijeva velik broj slika, zbog čega danas postoje brojne javno dostupne baze rendgenskih snimaka, a najvažnije su nabrojane u radu. Uz to, navedene su i neke od metod a za predobradu snimaka. Brojni radovi su objavljeni na temu automatske obrade rendgenskih snimaka u svrhu testiranja i poboljšavanja modela Jednim od najuspješnijih pristupa se pokazala uporaba predtreniranih modela, treniranih na ImageNet bazi slika. Posebno su uspješni bili kombinirani modeli čije konačno predviđanje je konsenzus predviđanja podmodela. Dodavanje neslikovnih podataka nije doprinijelo učinku modela, za razliku od metoda segmentacije snimke te Deep AUC Maximization metode, čime su postignute bolje AUC vrijednosti. Kako bi se pobliže prikazao način njihovog korištenja, kao primjer je odabran jedan od modela te je upotrijebljen na nekoliko snimaka, na kojima je uspješno prepoznao dijelove gdje su pojedina patološka stanja prisutna. Ispravno je predviđena vjerojatnost postojanja određenih stanja bila veća na snimkama gdje su ta stanja stvarno bila prisutna. Prikazani su svi dobiveni rezultati , objašnjeno njihovo značenje te je raspravljeno o podlozi i problemima načina rada takvih modela. Identificiran je potencijalni problem korištenja nemedicinskih podataka sa snimke za prepoznavanje stanja.

Sažetak (engleski)

Artificial intelligence is being increasingly used to solve a variety of problems. One of them is image analysis, which is successfully being solved using convolutional neural networks, utilizing the principle of deep learning. Such problems also exist in most medical specialties, especially in radiology, where image analysis takes a lot of time and resources. The focus of this thesis is on the detection of pathological conditions from chest X rays. Different methods of recording and radiological analysis of chest X rays are described. Some basic concepts and the theoretical background of artificial intelligence is explained, with special emphasis on deep learning models and computer vision as a type of machine learning. Training such models requires a large number of images, which is why a lot of chest X ray databases exist today and are publicly available. The most important ones are listed in the paper, along with the most common methods of preprocessing the images. Numerous papers have been published on the topic of developing, testing, and improving models for automated chest X ray diagnosis. Especially successful were the models whose final prediction is the consensus of the predictions from its submodels. The addition of numerical patient data did not improve model performance, while the usage of image segmentation methods and Deep AUC Maximization methods did. As an example, one of the models was chosen and used on several chest X rays. The results are presented, their meaning explained, and the background and problems of such models are discussed. A potential problem of extracting non medical data from the X rays and using them to make predictions is identified.

• Ključne riječi: umjetna inteligencija; klasifikacija slika; automatska dijagnostika; rendgen prsnog koša
• Ključne riječi (engleski): artificial intelligence; image classification; automated diagnosis; chest X ray
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:105:383316
• Studijski program: Naziv: Medicina; Vrsta studija: sveučilišni; Stupanj studija: integrirani preddiplomski i diplomski; Akademski / stručni naziv: doktor/doktorica medicine (dr. med.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Otvoreni pristup
• Datum i vrijeme pohrane: 2023-10-25 10:56:58