Az orvosi képalkotás két elterjedt formája a PET illetve a CT. A PET felvételekből kinyerhető információk sokat segíthetnek az orvosoknak a csomósodások természetének pontosabb meghatározásában. Ezeket az információkat például textúra-leírók alkalmazásával tudjuk a képekből kinyerni. A PET/CT párok esetében viszont lehetőség van először a CT felvételeken a tüdő régiójának kiválasztásával, majd a PET szegmentálása során csak ezen területet figyelembe véve jobb eredményt elérni.

Az orvosok munkájának megkönnyítése érdekében képfeldolgozást végzünk automatizált módon. Ez nagy mértékben teszi hatékonyabbá mindennapi tevékenységeiket, mivel sok időt vesz igénybe a felvételek átnézése, illetve annotálása, amelyek közül sok nem is igényelne alaposabb vizsgálatot.

A folyamat részeként egy előszűrést lehetne megvalósítani, amely után csak az olyan rekordok kerülnek szakemberekhez, melyek tényleg igénylik a tudásukat. Az előszűrés során egy beérkező PET/CT felvétel pár esetén a CT felvételen szegmentációt hajtunk végre a tüdő területén, hogy az így eredményül kapott maszkot a PET felvételre illesztve textúraleírók segítségével meghatározzuk, hogy az igényel-e részletesebb vizsgálatokat.

A U-Net a legjobb teljesítményt nyújtó modell. Hátránya, hogy viszonylag nagy méretű adathalmazt igényel. A K-means ezzel ellenben nem rendelkezik ezzel a hátránnyal, viszont többek között ezért is nehezen növelhető a teljesítménye. Ideális esetben kisebb adathalmazra szeretnénk a K-meansnél jobban teljesítő modellt létrehozni. Dolgozatunk célja annak bebizonyítása, hogy ez lehetséges.