No description available.

Manual segmentation of brain tumours is a time consuming process, results often show high variability, and there is a call for automation in clinical practice. In this thesis the use of deep convolutional networks for automatic glioma segmentation in MRI is investigated. The implemented networks are evaluated on data used in the brain tumor segmentation challenge (BraTS). It is found that 3D convolutional networks generally outperform 2D convolutional networks, and that the best networks can produce segmentations that closely resemble human segmentations. Convolutional networks are also evaluated as feature extractors with linear SVM classifiers on top, and although the sensitivity is improved considerably, the segmentations are heavily oversegmented. The importance of the amount of data available is investigated as well by comparing results from networks trained on both 2013 and the greatly extended 2014 data set, but it is found that the method of producing ground-truth was also a contributing factor. The networks does not beat the previous high-scores on the BraTS data, but several simple improvement areas are identified to take the networks further. / Manuell segmentering av hjärntumörer är en tidskrävande process, segmenteringarna är ofta varierade mellan experter, och automatisk segmentering skulle vara användbart för kliniskt bruk. Den här rapporten undersöker användningen av deep convolutional networks (ConvNets) för automatisk segmentering av gliom i MR-bilder. De implementerade nätverken utvärderas med hjälp av data från brain tumor segmentation challenge (BraTS). Studien finner att 3D-nätverk har generellt bättre resultat än 2D-nätverk, och att de bästa nätverken har förmågan att ge segmenteringar som liknar mänskliga segmenteringar. ConvNets utvärderas också som feature extractors, med linjära SVM som klassificerare. Den här metoden ger segmenteringar med hög känslighet, men är också till hög grad översegmenterade. Vikten av att ha mer träningsdata undersöks också genom att träna på två olika stora dataset, men metoden för att få fram de riktiga segmenteringarna har troligen också stor påverkan på resultatet. Nätverken slår inte de tidigare rekorden på BraTS, men flera viktiga men enkla förbättringsområden är identifierade som potentiellt skulle förbättra resultaten.