Keuhkojen segmentointi rintakehän röntgenkuvista syvien neuroverkkojen avulla

Abstract

Tässä tutkielmassa vertailtiin eri syväoppimismallien toimintaa keuhkojen segmentoinnissa rintakehän röntgenkuvista. Röntgenkuvaus mahdollistaa ei invasiivisen diagnosoinnin ja keuhkojen röntgenkuvauksen ollessa yksi yleisempiä lääketieteellisen kuvantamisen muotoja, tarjoaa koneoppiminen mahdollisuuksia nopeampaan sekä tarkempaan diagnosointiin. Keuhkoröntgenkuvista voidaan saada tietoa keuhkojen ja muiden alueella esiintyvien elinten tilasta sekä nähdä keuhkojen muutoksista kuten konsolidaatioista tai ilmatiloista. Syväoppimisella on saavutettu useita merkittäviä tuloksia kuvasegmentaation ja kuvantunnistamisen alalla. Segmentaatio toimiikin usein tärkeänä esiaskeleena myöhemmille koneoppimisen tehtäville.

Läheisesti liittyviä tutkimuksia on myös esitetty sekä toteutetaan tutkielma, jossa tarkastellaan kolmen syväoppimisalgoritmin toimintaan kahden tuhannen kuvan koulutusaineistossa. Työssä esiintyvät syvät neuroverkkoalgoritmit ovat Unet, Unet++ ja Transunet. Edellä mainitut arkkitehtuurit koulutetaan ja koulutuksen tuloksia vertaillaan. Tutkimuksen tuloksissa onnistuttiin erottelemaan hyvällä tarkkuudella keuhkoalueet omiksi maskeikseen hyvälaatuisissa röntgenkuvissa.

This thesis compares the effectiveness of different deep learning models for lung area segmentation from chest x-ray images. X-ray imaging is a noninvasive diagnostic method and chest x-ray imaging being one of the most used medical imaging methods worldwide, offers machine learning applications leading to faster and more accurate diagnoses. Chest x-ray images provide information of lung health and health of other organs located in chest area. Changes in lungs, air-filled areas and pulmonary consolidations can be seen in a chest x-ray image. Deep learning has provided us with remarkable results in the fields of image segmentation and classification. Lung area segmentation is a important precursory step for other applications of machine learning for chest x-ray images when the focus is on the lungs.

This work contains review of closely related studies and implementation of three deep learning models, Unet, Unet++ and Transunet. The models are trained on a training dataset of two thousand images and performance of the trained models are compared. The results included good accuracy of segmented lungs on good quality chest x-ray images.