Ημερολόγιο Εκδηλώσεων

ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

ΚΩΝΣΤΑΝΤΙΝΟΥ ΑΘΑΝΑΣΟΥΛΗ

με θέμα

Τμηματοποίηση Περιοχών Κλινικού Ενδιαφέροντος της Κοιλιακής Αορτής με χρήση Θεμελιωδών Μοντέλων (Medical-SAM2)

Segmentation of Clinically Relevant Regions of the Abdominal Aorta Using Foundation Models (Medical-SAM 2)

Εξεταστική Επιτροπή

Καθ. Μιχαήλ Ζερβάκης (Επιβλέπων)
Καθ. Αθανάσιος Λιάβας
Επίκ. Καθ. Μάριος Αντωνακάκης (ΕΛΜΕΠΑ)

Περίληψη
    
Το Ανεύρυσμα Κοιλιακής Αορτής (ΑΚΑ) θεωρείται ως μία από τις πιο επικίνδυνες παθήσεις του κοιλιακού τμήματος της αορτής, η οποία επηρεάζει κυρίως άνδρες ηλικίας άνω των 65 ετών. Λαμβάνοντας υπόψη ότι η αορτή είναι η μεγαλύτερη αρτηρία του ανθρώπινου σώματος, η συγκεκριμένη πάθηση μπορεί να οδηγήσει σε σημαντικές, ή ακόμη και καταστροφικές, κλινικές επιπτώσεις εάν δεν διαγνωστεί και αντιμετωπιστεί έγκαιρα. Ωστόσο, η τρισδιάστατη μοντελοποίηση του αυλού της αορτής μπορεί να προσφέρει σημαντικά στοιχεία για τα μορφολογικά χαρακτηριστικά του ανευρύσματος, τα οποία είναι ζωτικής σημασίας για την διάγνωση και την πιθανή πρόοδό του. Η τμηματοποίηση εικόνας είναι επομένως απαραίτητη για τη μοντελοποίηση του AAA, επιτρέποντας την αξιόπιστη εξαγωγή και ανάλυση των σχετικών περιοχών. Η παρούσα διπλωματική εργασία συγκαταλέγεται στον τομέα της Κατάτμησης Εικόνας και διερευνά τη χρήση μοντέλων Βαθιάς Μάθησης για την τμηματοποίηση του αυλού της αορτής σε ένα σύνολο δεδομένων από ιατρικές εικόνες ΑΚΑ. Επίσης, συμπεριλαμβάνεται και ένα ακόμη διερευνητικό πείραμα για την τμηματοποίηση του ενδοαυλικού θρόμβου, του οποίου τα δεδομένα είναι αρκετά περιορισμένα. Η εργασία αξιοποιεί το μοντέλο Medical SAM 2 (MedSAM-2), ένα θεμελιώδες μοντέλο το οποίο προσαρμόζεται στο συγκεκριμένο ιατρικό πρόβλημα μέσω fine-tuning. Η εκπαίδευση του μοντέλου βασίζεται σε επιβλεπόμενη μάθηση, χρησιμοποιώντας ζεύγη εικόνων αξονικής τομογραφίας (CT) με τις αντίστοιχες Ground Truth (GT) μάσκες. Κατά την πειραματική διαδικασία τα δεδομένα επεξεργάζονται και έπειτα γίνεται ποσοτική, καθώς και ποιοτική αξιολόγηση των τελικών προβλέψεων. Η απόδοση του μοντέλου αξιολογείται ποσοτικά, με βασικότερη αναφορά στις μετρικές αξιολόγησης Dice Similarity Coefficient (DSC) και Intersection over Union (IoU), ενώ η ποιοτική αξιολόγηση της απόδοσης προκύπτει από οπτική σύγκριση των τελικών προβλέψεων του μοντέλου με τις αντίστοιχες GT μάσκες. Κατά την ποσοτική αξιολόγηση του τελικού πειράματος του αυλού, το μοντέλο MedSAM-2, αξιολογημένο στο small checkpoint, κατέδειξε μέση τιμή DSC 91.1%, καθώς και μέση τιμή IoU 84.3%. Παρότι οι συγκεκριμένες μετρικές είναι ικανοποιητικές, το μοντέλο έχει δυνατότητες να επιτύχει καλύτερα αποτελέσματα, εάν εκπαιδευτεί με περισσότερα ιατρικά δεδομένα, καθώς και λιγότερους περιορισμούς υπολογιστικής ισχύος και χρόνου. Αξίζει να σημειωθεί πως η ποιοτική αξιολόγηση των αποτελεσμάτων θεωρείται εξίσου σημαντική με την ποσοτική αξιολόγηση, καθώς η συγκεκριμένη εργασία ανήκει στον τομέα των προβλημάτων Μηχανικής Όρασης. Μέσω των ποιοτικών αποτελεσμάτων επιβεβαιώνεται ότι το βελτιστοποιημένο μοντέλο προσφέρει μια οργανωμένη πειραματική βάση και μπορεί να λειτουργήσει ως σημείο αναφοράς για μελλοντικές εργασίες, συμβάλλοντας έτσι στην περαιτέρω διερεύνηση του συγκεκριμένου προβλήματος.

Abstract 
    
Abdominal Aortic Aneurysm (AAA) is considered one of the most dangerous diseases of the abdominal part of the aorta, affecting mainly men over the age of 65. Considering that the aorta is the largest artery of the human body, this condition can lead to significant, or even catastrophic, clinical consequences if it is not diagnosed and treated in time. In this context, the three-dimensional modeling of the aortic lumen can provide important information about the morphological characteristics of the aneurysm, which are vital for its diagnosis and possible progression. Image segmentation is therefore essential for AAA modeling, enabling reliable extraction and analysis of relevant regions. The present thesis belongs to the field of Image Segmentation and investigates the use of Deep Learning models for the segmentation of the aortic lumen in a dataset of AAA medical images. In addition, another exploratory experiment is included for the segmentation of the intraluminal thrombus, for which the available data are quite limited. The work utilizes the Medical SAM 2 (MedSAM-2) model, a foundation model that is adapted to this specific medical problem through fine-tuning. The training of the model is based on supervised learning, using pairs of Computed Tomography (CT) images with the corresponding Ground Truth (GT) masks. During the experimental process, the data are processed and then quantitative, as well as qualitative, evaluation of the final predictions is performed. The performance of the model is evaluated quantitatively, with main reference to the evaluation metrics Dice Similarity Coefficient (DSC) and Intersection over Union (IoU), while the qualitative evaluation of the performance is derived from visual comparison of the final predictions of the model with the corresponding GT masks. During the quantitative evaluation of the final lumen experiment, the MedSAM-2 model, evaluated on the small checkpoint, demonstrated a mean DSC value of 91.1%, as well as a mean IoU value of 84.3%. Although these metrics are satisfactory, the model has the potential to achieve better results if it is trained with more medical data, as well as fewer limitations in computational power and time. It is worth noting that the qualitative evaluation of the results is considered equally important to the quantitative evaluation, since this work belongs to the field of Computer Vision problems. Through the qualitative results, it is confirmed that the optimized model provides an organized experimental basis and can serve as a reference point for future studies, thus contributing to the further investigation of this specific problem.