Deep learning based segmentation for multi-modal medical MRI Images

In dieser Masterarbeit stellen wir einen automatischen Algorithmus für Segmentierung von multi-modalen Datensätzen mittels Deep Learning vor. Unser Algorithmus basiert auf der SegNet Architektur. Wir haben SegNet erwietert, sodass dieses nicht nur die drei Kanäle eines RGB-Bildes, sondern eine beliebige Anzahl von Kanälen von multi-modalen Bildern verarbeiten kann. Weiters haben wir Visualisierungen für das Untersuchen von genauen und robusten Modellen entwickelt. Wir evaluieren unseren Algorithmus auf manuell segmentierten MRI Datensätzen und vergleichen mit einem State-of-the-Art Algorithmus.
In this thesis we propose an algorithm for the automatic segmentation of multi-modal data sets using deep learning while considering the memory footprint/computational cost versus accuracy trade-off. Thus we can achieve faster deep learning architecture search and parameter analysis for multi-modal semantic segmentation models. Our method is based on the SegNet architecture. We adapted SegNet and applied visualizations for finding accurate and robust semantic segmentation models. We evaluate our approach on manually segmented MRI data sets and compare to a state-of-the-art algorithm.