University of Twente Student Theses

Login
This website will be unavailable due to maintenance December 1st between 8:00 and 12:00 CET.

Hoe wordt EUS de beste keus? : Optimaliseren van endo-ultrasonografische beoordeling ter onderscheiding van T1 en T2+ rectale carcinomen met behulp van deep learning.

Benjamins, Stan and Duin, Jesse van der and Nie, Heleen van and Plekkenpol, Luca (2021) Hoe wordt EUS de beste keus? : Optimaliseren van endo-ultrasonografische beoordeling ter onderscheiding van T1 en T2+ rectale carcinomen met behulp van deep learning.

[img] PDF
6MB
Abstract:Rectale carcinomen zijn een veelvoorkomende vorm van kanker. De stadiëring van deze carcinomen wordt gedaan op basis van endo-ultrasonografische (EUS) beelden, maar het onderscheid tussen de T1 en T2+ stadia van rectale carcinomen is moeilijk te maken vanwege een hoge interbeoordelaarsvariabiliteit. Het automatisch analyseren van EUS-beelden met deep learning is hiervoor de oplossing. In dit onderzoek is beschreven welke verschillende vormen van automatische beeldanalyse toepasbaar zijn bij de stadiëring van rectale carcinomen en hoe een dergelijk deep learning model getraind kan worden. Daarnaast is onderzocht in hoeverre Technische Geneeskunde studenten in staat zijn om segmentaties van rectale carcinomen in EUS-beelden van voldoende kwaliteit te leveren om een deep learning model te trainen. Ook is bekeken wat het effect is op de prestatie van het model, wanneer het enerzijds getraind is met segmentaties van de studenten en anderzijds met die van de expert. Uit dit onderzoek is gebleken dat er een matige overeenkomst en hoge interbeoordelaars- variabiliteit bestaan tussen segmentaties van de studenten ten opzichte van de expert. Gecombineerde segmentaties en meer training kunnen bijdragen aan het verminderen van die variabiliteit. Daarnaast zijn er, ondanks de hoge interbeoordelaarsvariabiliteit, geen significante verschillen in de prestaties van de modellen te zien. De studenten kunnen dus bijdragen aan het segmenteren van rectale carcinomen in EUS-beelden voor de training van een deep learning model. Ook kan het model nog geoptimaliseerd worden wat betreft de toepassing van deep learning, de hoeveelheid aangeleverde EUS-beelden en de kwaliteit van de EUS-beelden. De beste keus voor de stadiëring van rectale carcinomen met behulp van automatische beeldanalyse, is EUS!
Item Type:Essay (Bachelor)
Faculty:TNW: Science and Technology
Subject:44 medicine, 54 computer science
Programme:Technical Medicine BSc (50033)
Link to this item:https://purl.utwente.nl/essays/87506
Export this item as:BibTeX
EndNote
HTML Citation
Reference Manager

 

Repository Staff Only: item control page