[论文解读] Medical Image Analysis for Detection, Treatment and Planning of Disease using Artificial Intelligence Approaches

Nand Lal Yadav, Satyendra Singh+2 more|arXiv (Cornell University)|Oct 23, 2023

Brain Tumor Detection and Classification被引用 1

一句话总结

本文提出了一种基于深度学习的框架，结合SegNet与Residual U-Net，用于胸部X光图像的语义分割，以提升疾病检测效果。采用16的批量大小和50个周期进行预处理与训练，取得了优异性能，其中Residual U-Net在精度上达到98.64%，召回率达到97.50%，验证准确率达到99.01%，优于现有模型。

ABSTRACT

X-ray is one of the prevalent image modalities for the detection and diagnosis of the human body. X-ray provides an actual anatomical structure of an organ present with disease or absence of disease. Segmentation of disease in chest X-ray images is essential for the diagnosis and treatment. In this paper, a framework for the segmentation of X-ray images using artificial intelligence techniques has been discussed. Here data has been pre-processed and cleaned followed by segmentation using SegNet and Residual Net approaches to X-ray images. Finally, segmentation has been evaluated using well known metrics like Loss, Dice Coefficient, Jaccard Coefficient, Precision, Recall, Binary Accuracy, and Validation Accuracy. The experimental results reveal that the proposed approach performs better in all respect of well-known parameters with 16 batch size and 50 epochs. The value of validation accuracy, precision, and recall of SegNet and Residual Unet models are 0.9815, 0.9699, 0.9574, and 0.9901, 0.9864, 0.9750 respectively.

研究动机与目标

• 开发一种基于人工智能的框架，用于自动分割胸部X光图像，以支持早期疾病检测。
• 评估SegNet与Residual U-Net模型在分割X光图像病灶区域方面的性能。
• 通过标准分割指标，将所提出的模型与现有方法进行比较。
• 优化训练超参数（批量大小 = 16，周期数 = 50），以提升模型泛化能力与准确率。

提出的方法

• 对X光图像进行预处理与清洗，以减少噪声并增强特征，为模型输入做准备。
• 实现SegNet与Residual U-Net架构，用于肺部区域的语义分割。
• 使用批量大小为16、训练周期为50个周期来训练模型，以优化收敛性与性能。
• 采用多种指标进行评估：损失、Dice系数、Jaccard系数、精确率、召回率、二元准确率及验证准确率。
• 使用混淆矩阵与AUC-ROC进行综合模型评估。
• 与先前工作（包括Chavan等人[26]）的结果进行对比，以验证性能提升。

实验结果

研究问题

• RQ1 SegNet与Residual U-Net在分割胸部X光图像病灶区域方面的有效性如何？
• RQ2 超参数设置（批量大小 = 16，周期数 = 50）对分割性能有何影响？
• RQ3 所提出的模型在关键指标上与标准U-Net等现有方法相比表现如何？
• RQ4 Residual U-Net在精确率、召回率与验证准确率方面相较于SegNet的优越程度如何？
• RQ5 深度学习模型能否在X光影像中实现高精度的早期肺部疾病检测分割？

主要发现

• Residual U-Net在验证准确率上达到最高水平，为99.01%，优于SegNet与先前的U-Net模型。
• Residual U-Net模型的精确率为98.64%，召回率为97.50%，表明其具有出色的预测性能。
• SegNet的验证准确率为98.15%，精确率与召回率分别为96.99%与95.74%。
• Residual U-Net在训练集上的Dice系数为0.9873，Jaccard系数为0.9749。
• 与Chavan等人提出的U-Net相比，所提模型在验证集上表现出显著改进，损失更低（0.0193 vs. 0.3232），Dice系数更高（0.9808 vs. 0.6775）。
• 累积频率曲线证实了模型在整个数据集上的稳定表现，其中Residual U-Net展现出更优的收敛性与稳定性。