Diagnosztika intelligens eszközökkel

Az előadások a következő témára: "Diagnosztika intelligens eszközökkel"— Előadás másolata:

1 Diagnosztika intelligens eszközökkel
Horváth Gábor

2 Diagnosztikai feladatok
Orvosi diagnosztika képek leletek anamnézis, stb Műszaki diagnosztika ABS rendszer motordiagnosztika rezgésjelek alapján autóállapot-figyelés nagytömegű adat alapján (Bosch) stb.

3 Diagnosztikai feladatok
Miért nehéz? Sokállapotú rendszerek nincs megfelelő minőségű fizikai (biológiai) modell mérési adatok alapján modellezés felismerési problémák jelenleg leginkább emberi intelligens megoldás

4 Példák képfeldolgozáson alapuló orvosi diagnosztikai feladatokra
Melanoma színes fénykép elemzése Mammográfia fekete-fehér röntgenképek elemzése Mellkasfelvételek CT, MRI, PET-CT, stb. vizsgálatok (fekete-fehér képek) elemzése Szövettani vizsgálatok, stb.

5 Képfeldolgozást alkalmazó orvosi döntéstámogató rendszer
Célkitűzés: A cél olyan - orvosi alkalmazásra készülő - képelemző és döntéstámogató rendszer kifejlesztése, mely alkalmas - nagytömegű kép (röntgen-felvétel) elemzésére, - a röntgen-felvételeken található bizonyos alakzatok detektálására, felismerésére, - ez alapján széleskörű orvosi szűrővizsgálatok kiértékelésének támogatására Szűréseken készült (röntgen)képek minősítését támogató rendszer létrehozása

6 Diagnosztikai feladat
Felismerendő alakzatok Kerek árnyékok, illetve szabálytalan alakú foltok Mikrokalcifikációk Spikuluszok (szálak) Elkülönítés a nem kóros, de hasonló megjelenésű képi alakzatoktól Zajszűrés (a képalkotásból adódó, illetve anatómiai zaj szűrése) Időbeli követés

7 Új lehetőségek: tomoszintézis
Rétegfelvételek néhányszor 10 digitális felvétel alapján

8 Tomoszintézis rekonstrukció és diagnosztika
A különböző szögből készült felvételek (71 kép) alapján a test függőleges síkmetszetbeli képei kiszámíthatók: rekonstrukció. Képminőség javítása, szűrés. Anatómia részek meghatározása, megtalálása, érdetektálás A metszeti képek feldolgozása, elváltozások keresése Hatékony implementáció: nagymennyiségű számítás nagyméretű (2000 x 2000, 3000 x 3000 ) képeken

9

10

11

12

13

14

15

16

17

18

19

20 Érdetektálás

21 Elváltozás detektálás

22 Hatékony implementáció
Komplex számítás: rekonstrukció, képszűrés, alakzat detektálás, Nagy memória igény: 71 x 3000 x 3000 képpont Időkorlát: max. 1-2 perc Párhuzamos feldolgozás szükségessége: GPGPU

23 A megoldás fő lépései

24 Előfeldolgozás Klasszikus képfeldolgozó eljárások
élkiemelés, foltkeresés, képszűrések, morfológiai operátorok alk,stb. Transzformációs eljárások multirezolúciós eljárások (wavelet) PCA, ICA stb Textura analízis

25 Felismerés, osztályozás
Neuronhálók Kernel gépek Hibrid intelligens eszközök Klaszterező eljárások Stb.

26 Utófeldolgozás Minősítés, kiértékelés
Egyéb információkkal való összevetés

27 Eszközök Képfeldolgozó eljárások Klasszikus szabályalapú rendszerek
Neuronhálók Hibrid intelligens rendszerek

28 Labor feladatok Kép és jelfeldolgozási eljárások kidolgozása
Matematikai eljárások kidolgozása, vizsgálata. Intelligens eszközök létrehozása (szoftver rendszer) és alkalmazása. Hatékony (nagysebességű) párhuzamos implementáció grafikus processzorokon

29 Eredményes hallgatói munkák
A témában sikeres hallgatói eredmények születtek Önálló labor feladatok Diplomatervek Díjnyertes TDK dolgozatok Ph.D témák