Klassifizierung der Schilddrüsentextur und Überwachung des Schilddrüsenvolumens durch autoregressive Modellierung und maschinelles Lernen

Bei Schilddrüsenkrankheiten verändern sich Form und Größe der Schilddrüse häufig im Laufe der Zeit. Daher schlagen wir einen neuartigen Ansatz zur Klassifizierung der Schilddrüsenstruktur und schließlich zur Überwachung des Schilddrüsenvolumens mithilfe der autoregressiven (AR) Modellierung vor. Mit Hilfe der AR-Modellierung werden verschiedene Merkmale aus Schilddrüsen- und Nicht-Schilddrüsenregionen extrahiert, um verschiedene auf maschinellem Lernen basierende Klassifikatoren zu trainieren, die später für die Klassifizierung der Schilddrüsenstruktur und schließlich für die Segmentierung verwendet werden. Die segmentierten 2D-Schilddrüsenbilder aus einer Freihand-Ultraschalluntersuchung der Schilddrüse werden in der letzten Phase verwendet, um nach der 3D-Rekonstruktion eine 3D-Schilddrüse zu erstellen. Das Volumen dieser 3D-Schilddrüse wird im Laufe der Zeit überwacht, um etwaige Schilddrüsenerkrankungen zu diagnostizieren.

Thyroid Texture Classification and Volume Monitoring using Autoregressive Modelling and Machine Learning Approaches

Thyroid diseases often involve change in the shape and size of thyroid over time. Hence, we propose a novel approach of thyroid texture classification and finally volume monitoring using Autoregressive (AR) Modelling. Several features are extracted from thyroid and non-thyroid regions using AR modelling to train various machine learning based classifiers which later are used for thyroid texture classification and ultimately segmentation. The segmented 2D thyroid images from a freehand thyroid Ultrasound scan are used in the final stage to produce a 3D thyroid after 3D reconstruction. The volume of this 3D thyroid is monitored over time to diagnose any possible thyroid related diseases.