Využití strojového učení pro rozpoznávání skoliózy z lékařských snímků
Autor(ka) práce:
Matějka, Jiří
Typ práce:
Diplomová práce
Vedoucí práce:
Vacura, Miroslav
Oponenti práce:
-
Jazyk práce:
Česky
Abstrakt:
Diplomová práce se zabývá využitím metod strojového učení pro rozpoznávání skoliózy z rentgenových snímků lidské páteře. Hlavním cílem práce je natrénovat a experimentálně ověřit model strojového učení klasifikující takové snímky do dvou tříd: normální nález a nález skoliózy. Práce sestává z šesti hlavních částí. První a druhá část popisují anatomii a fyziologii páteře a patofyziologii skoliózy. Třetí část se zaměřuje na teorii umělé inteligence a strojového učení, s důrazem na konvoluční neuronové sítě, které jsou využity pro trénování modelů strojového učení další části práce. Čtvrtá část se věnuje trénování a porovnání modelů konvolučních neuronových sítí, přičemž je zkoumán vliv různých hyperparametrů na výkonnost modelů, a vybrán model s nejlepšími výsledky. Pátá část práce popisuje návrh a implementaci jednoduché aplikace určené pro lékaře, která jim umožňuje využít natrénovaný model v praxi, a tak získat informace o reálné využitelnosti modelu. Poslední část práce se zabývá zpracováním dat získaných při klinickém testování této aplikace v praxi rehabilitační ambulance. Výsledkem je natrénovaný model vykazující dobré klasifikační schopnosti, který je schopen správně rozlišit, zda předložený rentgenový snímek páteře zachycuje fyziologicky rovnou páteř nebo páteř s nálezem skoliózy. V rámci klinického testování byl, během vyhodnocení funkčnosti modelu, identifikován významný nedostatek trénovacího vstupního datasetu, totiž skutečnost, že snímky zdravých páteří byly obvykle oříznuty pouze na samotnou oblast páteře, zatímco snímky se skoliózou často zahrnovaly širší anatomické struktury, například hrudní koš či pánev. Další nesoulad byl zjištěn při hodnocení mírných forem skoliózy: některé snímky označené modelem jako zdravé byly lékařem hodnoceny jako snímky s mírnou skoliózou, což lze vysvětlit rozdílnou interpretací a klasifikací trénovacích snímků. Rozdíl ve formátu snímků a v pojetí diagnostických kritérií významně ovlivňuje schopnost modelu generalizace a omezuje jeho využitelnost v klinické praxi. Proto je navrženo sjednocení formátu vstupních snímků a zpřesnění jejich klasifikace jako krok ke zvýšení robustnosti a validity modelu.
Application of machine learning for scoliosis detection from medical images
Autor(ka) práce:
Matějka, Jiří
Typ práce:
Diploma thesis
Vedoucí práce:
Vacura, Miroslav
Oponenti práce:
-
Jazyk práce:
Česky
Abstrakt:
This master's thesis focuses on the use of machine learning methods for the detection of scoliosis from X-ray images of the human spine. The main goal of the thesis is to train and experimentally evaluate a model that classifies these images into two categories: normal and scoliosis. The thesis is divided into six main parts. The first and the second part describes the anatomy and physiology of the spine and the pathophysiology of scoliosis. The third part focuses on the theoretical foundations of artificial intelligence and machine learning, with particular emphasis on convolutional neural networks, which are applied in the next part of the thesis. The fourth part presents the process of training and evaluating convolutional neural network models, examining the impact of various hyperparameters on model performance and selecting the best-performing model. The fifth part of the thesis deals with the implementation of a user-friendly application for doctors, enabling the practical use of the trained model and assessing its real-world applicability. The final part is focused on processing data obtained during the clinical testing of this application in the practice of a rehabilitation clinic. The result is a trained model demonstrating good classification performance, capable of correctly distinguishing whether a presented X-ray image of the spine shows a physiologically straight spine or a spine with scoliosis. However, during clinical testing, a significant limitation of the training dataset was identified: images of healthy spines were typically cropped only to the spinal area, whereas images with scoliosis often included broader anatomical structures, such as the rib cage or pelvis. Another inconsistency was observed in the evaluation of mild scoliosis cases: some images labeled as healthy by the model were assessed by physicians as showing mild scoliosis. This can be explained by differences in the interpretation and classification of training images. The discrepancy in image formats and diagnostic criteria significantly affects the model’s generalization ability and limits its clinical applicability. Therefore, the unifying the format of input images and refinement of their classification are proposed as steps toward improving the robustness and validity of the model.