Početak projekta: 1.10.2025.

Računalna tomografija (engl. Computed Tomography CT) jest tehnika generiranja unutarnjih 3D slika tijela. Detaljnim prikazom kostiju i tkiva CT snimke omogućuju dijagnosticiranje bolesti, detekciju ozljeda, planiranje operativnih zahvata te praćenje oporavka pacijenta. Umjetna inteligencija svojim razvojem uvelike je promijenila medicinsku slikovnu dijagnostiku u kojoj se sve češće vrše istraživanja koja se temelje na dubokom učenju, a kao hipotezu ispituju mogućnost unapređenja dijagnosticiranja određene bolesti i razvitka novog dijagnostičkog softvera.

Jedan od zadataka koji se često veže uz CT snimke jest segmentacija organa ili određenih regija interesa, odnosno pridruživanje egzaktne oznake svakom vokselu snimljenog CT volumena. Naime, segmentacija omogućava detaljniji pregled relacija među organima, njihovo pozicioniranje te uočavanje određenih anomalija koje su bitne za daljnji tretman pacijenta. Jedan od najpopularnijih modela u segmentaciji medicinskih volumetrijskih podataka, pa tako i CT-a, jest duboka neuronska mreža nnUnet čija je odlika izrazita adaptivnost ulaznim podacima. Unatoč velikoj adaptivnosti cjelokupne metode, direktan utjecaj hiperparametara poput augmentacije, normalizacije, veličine ulaznog podatka, kompleksnosti neuronske mreže i samih postavka treniranja modela na konačni ishod segmentacije ostaje nedovoljno istražen.

Stoga, u ovom projektu ispitat će se koreliranost i utjecaj različitih hiperparametara na konačne performanse modela dubokog učenja na selektirane javno dostupne skupove podataka za zadatak segmentacije CT snimaka. Također, ispitat će se utjecaj najboljih parametara i na kliničkim skupovima podataka partnerskih institucija (MedUni i HMS). U svrhu praktičnosti i edukacije razviti će se i platforma koja će omogućiti lakšu obuku neuronskih mreža za segmentaciju medicinskih CT snimaka. Projekt ima potencijal unaprijediti tehnike segmentacije u medicini što dovodi do razvitka naprednih medicinskih dijagnostičkih alata.