Not logged in.
Quick Search - Contribution
Contribution Details
| Type | Master's Thesis |
| Scope | Discipline-based scholarship |
| Title | Improving optical brain imaging with Neural Network |
| Organization Unit | |
| Authors |
|
| Supervisors |
|
| Language |
|
| Institution | University of Zurich |
| Faculty | Faculty of Business, Economics and Informatics |
| Date | 2022 |
| Abstract Text | Preterm new-borns have high chances to get long-term disabilities due to brain lesions. Near infrared tomography (NIROT) is a promising technique to diagnose brain lesions and detect abnormal brain oxygenation for those preterm infants. The traditional model-based methods applied on the data collected from NIROT is very time-consuming. However, neural networks can help to move the computational load to offline training, which reduces the computational time and output tissue property predictions on the infants' brain data. Our aim is to reduce the reconstruction time and achieve semi real-time imaging. We propose a sparse-input method which just uses 4 slices of the 2-D reconstructed image and assign them to the volume instead of using whole volume as input data. We trained the 3-D Unet with this input data and the corresponding ground truth and evaluated the performance of the segmentation. We used adapted random error as our evaluation metric. With several training trials with different data sets, it did reach a stable and good evaluation score. However, the segmentation performance was not satisfying. The 3-D Unet failed to classify the inclusions from the bulk. |
| Zusammenfassung | Frühgeborene haben ein hohes Risiko, aufgrund von Hirnläsionen langfristig behindert zu werden. Die Nahinfrarot-Tomographie (NIROT) ist eine vielversprechende Technik zur Diagnose von Hirnläsionen und zur Erkennung einer abnormalen Sauerstoffversorgung des Gehirns bei diesen Frühgeborenen. Die traditionellen modellbasierten Methoden, die auf die mit NIROT gesammelten Daten angewendet werden, sind sehr zeitaufwändig. Neuronale Netze können jedoch dazu beitragen, die Rechenlast auf das Offline-Training zu verlagern, was die Rechenzeit reduziert und Vorhersagen über die Gewebeeigenschaften der Hirndaten von Säuglingen ermöglicht. Unser Ziel ist es, die Rekonstruktionszeit zu verkürzen und eine Semi-Echtzeit-Bildgebung zu erreichen. Wir schlagen eine Sparse-Input-Methode vor, die nur 4 Schichten des 2-D rekonstruierten Bildes verwendet und sie dem Volumen zuordnet, anstatt das gesamte Volumen als Eingabedaten zu verwenden. Wir haben das 3-D-Unet mit diesen Eingabedaten und der entsprechenden Grundwahrheit trainiert und die Leistung der Segmentierung bewertet. Als Bewertungsmaßstab haben wir den angepassten Zufallsfehler verwendet. Nach mehreren Trainingsversuchen mit verschiedenen Datensätzen wurde ein stabiles und gutes Bewertungsergebnis erzielt. Die Segmentierungsleistung war jedoch nicht zufriedenstellend. Das 3-D-Unet konnte die Einschlüsse nicht von der Masse unterscheiden. |
| PDF File |
Download
|
| Export |
BibTeX
|