Koneoppiminen pään ja kaulan alueen syövän tunnistamisessa
Hellström, Henri (2021-10-04)
Koneoppiminen pään ja kaulan alueen syövän tunnistamisessa
Hellström, Henri
(04.10.2021)
Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
avoin
Julkaisun pysyvä osoite on:
https://urn.fi/URN:NBN:fi-fe2021100750144
https://urn.fi/URN:NBN:fi-fe2021100750144
Tiivistelmä
Tämän tutkielman päätavoitteena on kehittää koneoppimista hyödyntävä menetelmä pään ja kaulan alueen syövän tunnistamiseen kaksiulotteisista PET-MRI-kuvista. PET-MRI-kuvat ovat tärkeässä roolissa syövän diagnosonoissa sekä hoidon suunnittelussa, mutta syöpäkudoksen leimaaminen kuviin on aikaa vievä ja työläs prosessi. Tutkielmassa kehitettävä koneoppimissysteemi ennustaa tietyllä luottamustasolla, sisältääkö yksittäinen PET-MRI-leike syöpäkudosta vai ei. Asiantuntija voi sitten käyttää ennustetta leimausprosessin aikana suuntaa antavana arviona syöpäkudoksen esiintymistodennäköisyydestä tietyssä leikkeessä.
Tutkielmassa käytettävät menetelmät lukeutuvat konvoluutioneuroverkoiksi. Tutkimusongelmaa lähestytään kouluttamalla kaksi mallia, joista toinen on valmiiksi koulutettu ResNet50-malli ja toinen perinteinen konvoluutioverkko, jonka parametrit optimoidaan alusta alkaen PET-MRI-aineistolla. Mallien rakentaminen, optimointi ja suorituksen evaluointi toteutetaan käyttämällä Python-ohjelmointikieltä sekä syviin neuroverkkoihin erikoistunutta Tensorflow-kirjastoa.
Perinteinen konvoluutioverkko yltää kohtalaisen hyviin tuloksiin, mutta esikoulutetulla mallilla ei löydetä datasta mielenkiintoista signaalia. Vaikka malleista parempi luokittelee sille syötetyn kuvaparin kohtuullisen usein oikein, ei se vielä kykene täysin autonomiseen toimintaan. Tutkielman malli on sovelluskohteeseen nähden vielä varsin yksinkertainen ja jatkotutkimuskohteita on useita.
Tutkielmassa käytettävät menetelmät lukeutuvat konvoluutioneuroverkoiksi. Tutkimusongelmaa lähestytään kouluttamalla kaksi mallia, joista toinen on valmiiksi koulutettu ResNet50-malli ja toinen perinteinen konvoluutioverkko, jonka parametrit optimoidaan alusta alkaen PET-MRI-aineistolla. Mallien rakentaminen, optimointi ja suorituksen evaluointi toteutetaan käyttämällä Python-ohjelmointikieltä sekä syviin neuroverkkoihin erikoistunutta Tensorflow-kirjastoa.
Perinteinen konvoluutioverkko yltää kohtalaisen hyviin tuloksiin, mutta esikoulutetulla mallilla ei löydetä datasta mielenkiintoista signaalia. Vaikka malleista parempi luokittelee sille syötetyn kuvaparin kohtuullisen usein oikein, ei se vielä kykene täysin autonomiseen toimintaan. Tutkielman malli on sovelluskohteeseen nähden vielä varsin yksinkertainen ja jatkotutkimuskohteita on useita.