Computer Vision
Im Rahmen der Forschungsarbeiten für einen Kurs in Computer Vision , den ich im Herbstsemester 2023 belegte, führte ich ein Projekt zur Segmentierung medizinischer Bilder mithilfe des DRINet-Modells durch. Ziel dieses Projekts war die Entwicklung und Anwendung eines Deep-Learning-Modells zur Segmentierung medizinischer Bilder aus den MICCAI BraTS 2018/2019-Datensätzen, insbesondere von Gliomen. Ich wählte die Publikation „DRINet for Medical Image Segmentation“ von Chen et al. (2018), in der ein Modell für die präzise Segmentierung in komplexen medizinischen Bildgebungsszenarien, wie beispielsweise bei Hirntumoren, vorgestellt wird.
In meinem Projekt habe ich das DRINet-Modell nachgebildet und auf den BraTS-Datensatz angewendet. Dieser Datensatz umfasst MRT-Scans in vier Modalitäten: T1-gewichtet, T1-gewichtet nach Kontrastmittelgabe (T1C), T2-gewichtet und FLAIR. Jede dieser Modalitäten lieferte wichtige Erkenntnisse zu verschiedenen Aspekten der Gliome, darunter Tumorkern, peritumorales Ödem und Kontrastmittel aufnehmender Tumor. Der Datensatz enthielt 285 Proben von hochgradigen (HGG) und niedriggradigen Gliomen (LGG). Meine Aufgabe bestand darin, diese Tumoren in die relevanten Regionen zu segmentieren.
Im ersten Schritt wurden die Bilder vorverarbeitet. Dazu wurden sie normalisiert und mithilfe der SimpleITK-Bibliothek zugeschnitten, um die Tumorregion zu isolieren. So konnte ich den Datensatz auf die relevantesten Bereiche für die Analyse reduzieren und die Größe auf 285 Proben beschränken.
Um die Modellleistung zu verbessern und Overfitting zu reduzieren, habe ich Datenaugmentierungstechniken angewendet und verschiedene Hyperparameter optimiert. Overfitting stellte in den ersten Trainingsphasen ein erhebliches Problem dar, das ich jedoch durch die Verdreifachung des Datensatzes mittels Augmentierung und die Anwendung einer Normalisierung mit Mittelwert Null und Einheitsabweichung abmildern konnte. Aufgrund begrenzter Rechenkapazität konnte ich das Modell nicht mit der erforderlichen Anzahl an Epochen trainieren.
Referenz:
Chen, L., Bentley, P., Mori, K., Misawa, K., Fujiwara, M., Rueckert, D., DRINet für die Segmentierung medizinischer Bilder, IEEE Transactions on Medical Imaging, Band 37, S. 2453-2462, 2018. (10 Seiten)