@misc{10481/94960,
year = {2024},
url = {https://hdl.handle.net/10481/94960},
abstract = {In the last decade, deep learning algorithms have significantly advanced the field
of medical image analysis, particularly in the segmentation of anatomical structures.
Currently, deep neural network-based segmentation systems are capable of addressing
almost any segmentation task in medical imaging across various modalities, demon-
strating remarkable reliability and efficiency. However, despite the substantial benefits
of deep learning over traditional segmentation techniques, it faces certain challenges
and limitations. The reliance on data-driven approaches means that the performance
of these networks heavily depends on the training data’s characteristics. A notable
limitation within medical datasets is their constrained size and the lack of sufficient
variability in samples, potentially failing to cover all possible physiological conditions.
Such constraints lead to overfitting, where the machine learning model overly spe-
cializes on the idiosyncrasies of the training data, failing to generalize to the broader
population, leading to reduced model performance at the inference stage. In order to
address this, implementing various strategies to mitigate overfitting is crucial, aiming
to increase the model’s generalizability and accuracy.
This thesis focuses on the development of a deep learning-based segmentation
system for identifying organs at risk within the thoracic cavity. Considering the
limitations posed by the small size of the considered dataset, this research investigate
innovative and effective methodologies to prevent model overfitting. Through this
focus, the thesis contributes to enhancing the robustness and applicability of deep
learning models in the critical area of medical image segmentation, offering potential
improvements in diagnostic accuracy and patient care.
The research is methodically divided into three main areas, each incorporating
advanced methodologies to prevent overfitting and improve model performance. The
first study introduces a novel consistency regularization technique characterized by
training two structurally identical neural networks with different weight coefficient
initializations in a fully supervised task. The consistency loss is calculated based
on pseudo-labels, which are the predictions made by one model for the other and
vice versa. Additionally, this research evaluates the beneficial effect of employing an
exponential moving average in generating pseudo-labels.
The subsequent study focude on development of a novel neural network architec-
ture, embodying a U-Net-like structure with custom self-attention blocks that utilize
cosine similarity for computing attention maps. The core concept was to combine local
and global context processing by fusing convolutional layers with self-attention blocks and refining the self-attention block architecture to optimize model accuracy, while
ensuring adequate resources consumption and high speed performance.
Integrating this novel architecture with consistency regularization succeeded in
achieving a state-of-the-art level performance, surpassing all previously published
methods for the trachea and aorta.
The final investigation explored the generalization capabilities of foundation seg-
mentation model called Segment Anything Model. This study focused on several
tasks, including automating Segment Anything Model through its integration with an
object detection model to generate visual prompts automatically, eliminating manual
prompting. The performance of the automated segmentation model was evaluated in a
zero-shot setting for the segmentation of organs at risk, and a method for end-to-end
fine-tuning of the combined foundation model with the object detector was developed,
focusing solely on optimizing the model’s segmentation head. The experiments demon-
strated relatively favorable outcomes, though the performance level of the custom
U-Net -like architecture with consistency regularization wasn’t reached. Nonetheless,
these results provide valuable insights, outlining the direction for future research in
this domain.
In summary, this thesis delineates the effectiveness of deep learning methodologies
in the domain of medical image segmentation, particularly focusing on the segmen-
tation of organs at risk within the thoracic cavity. It brings to light the difficulties
encountered in training deep neural networks on limited datasets and proposes inno-
vative techniques for network regularization and the mitigation of overfitting. The
proposed methods significantly improve the accuracy of segmentation in CT imagery.
Furthermore, the thesis acknowledges ongoing challenges and gaps in the current state
of research, providing a roadmap for future investigations and potential enhancements
to the introduced methods. The outcomes of this research are poised to contribute
significantly to the advancement of organ segmentation tasks, including organs at risk
segmentation. It aims to move the field closer towards achieving a segmentation quality
that enables accurate and precise localization of organs at risk, thus contributing to
the saving of patient lives and well-being.},
abstract = {El cáncer sigue siendo una de las principales causas de mortalidad en todo el mundo,
con el cáncer de pulmón caracterizado por las tasas de supervivencia más bajas entre
todos los tipos de cáncer. Entre las modalidades de tratamiento actuales para el cáncer
de pulmón, la cirugía, la quimioterapia y la radioterapia siguen siendo los enfoques
más comunes. Cada uno de estos métodos, a pesar de su efectividad, conlleva amenazas
y riesgos inherentes, ya que a menudo es desafiante dirigirse a las células cancerosas
sin afectar el tejido sano circundante. Sin embargo, en tratamientos dirigidos como
la radioterapia, es posible minimizar los efectos nocivos del tratamiento mediante la
localización precisa de los tejidos afectados, separándolos de las estructuras sanas
críticas cercanas, conocidas como órganos en riesgo (OER).
La segmentación precisa de estos órganos es sumamente importante, ya que im-
pacta directamente en la planificación del tratamiento, la calibración de las dosis
terapéuticas y la mitigación de los efectos secundarios inducidos por la radiación. Las
metodologías tradicionales, que dependen en gran medida de la delineación manual
por expertos clínicos, se caracterizan por problemas como la alta demanda de tiempo,
la subjetividad de las anotaciones y la posibilidad de error humano. Estas complica-
ciones subrayan una necesidad urgente de un cambio de paradigma y el desarrollo de
métodos innovadores para distinguir los órganos sanos de las regiones afectadas. La
automatización del proceso de segmentación y la aplicación de enfoques de vanguardia
para el procesamiento y análisis automático de imágenes médicas deberían abordar
completamente esta tarea. Una amplia gama de metodologías podría resolver esta
tarea, pero las más prometedoras entre ellas son sistemas basados en redes neuronales
profundas, superando la mayoría de las metodologías tradicionales.
La evolución de las tecnologías de aprendizaje profundo ha marcado una nueva era
en la visualización médica, ofreciendo un potencial transformador en precisión, eficien-
cia y reproducibilidad. Estos sistemas, caracterizados por su capacidad para aprender
de grandes conjuntos de datos e identificar patrones complejos, han demostrado un
éxito notable en diversas aplicaciones de imágenes médicas, revelando oportunidades
sin precedentes para mejorar los procesos de segmentación de órganos. Sin embargo,
lograr altos niveles de precisión y robustez se vuelve desafiante con conjuntos de datos
médicos limitados en tamaño. La dificultad para compilar grandes conjuntos de datos de
imágenes médicas se ve agravada por la necesidad de equipos especializados y costosos, consentimiento del paciente, la presencia de condiciones diagnosticadas específicas
y anotaciones de expertos, haciendo que muchos conjuntos de datos médicos sean
relativamente pequeños, lo que hace necesario el desarrollo de métodos de aprendizaje
profundo especializados capaces de generalizar bien en pequeños conjuntos de datos.
Esta investigación se basa en la interconexión entre esta necesidad crítica y el po-
tencial tecnológico. La motivación se deriva de la necesidad de superar las limitaciones
de entrenar modelos de segmentación en pequeños conjuntos de datos, aprovechan-
do todas las ventajas y el poder de los modelos de aprendizaje profundo. El estudio
propuesto tiene como objetivo desarrollar y validar enfoques de aprendizaje profundo
robustos y eficientes diseñados específicamente para segmentar órganos en riesgo en
imágenes de tomografía computarizada (TC) de la cavidad torácica, esforzándose por
mejorar la precisión y la fiabilidad de la planificación de la radioterapia.
Las implicaciones de esta investigación son diversas y se extienden más allá del
alcance inmediato de la radioterapia y la segmentación de órganos en riesgo. Dado que
una parte significativa de los conjuntos de datos de imágenes médicas está limitada en
tamaño y variabilidad, lo que lleva al sobreajuste del modelo, el estudio tiene como
objetivo hacer contribuciones sustanciales al campo más amplio de la imagen médica.
Al desarrollar nuevas arquitecturas, métodos de regularización y aprovechando el
potencial de los modelos fundamentales, se espera que esta investigación estimule in-
vestigaciones adicionales, alentando el desarrollo de métodos novedosos para entrenar
eficientemente modelos de aprendizaje profundo en pequeños conjuntos de datos, a
pesar de las limitaciones de los recursos disponibles.},
organization = {Tesis Univ. Granada.},
publisher = {Universidad de Granada},
title = {Segmentation of organs at risk in CT images of chest cavity},
author = {Manko, Maksym},
}