%0 Unpublished Work %1 Dienesch.2021 %A Dienesch, Nils %D 2021 %K ba student:thesis %T Automatisierte Kardiomegalie Erkennung durch auf Deep Learning basierter Objektdetektion %X Im Bereich der Kardiomegalie Erkennung basierend auf Deep Learning, wurden bisher nur Neuronale Netze zur Klassifikation und zur Segmentierung evaluiert.44 Beim Ansatz der Segmentierung werden aus ausgegebenen Masken der Querdurchmesser des Herzens und der Brust berechnet. Aus diesen beiden Werten ergibt sich der Herz- Thorax-Quotient, welcher ab einemWert über 50% Kardiomegalie indiziert.5 Doch für die Berechnung der Querdurchmesser wären auch Rahmen um die Organe ausreichend, welche von Objektdetektions Neuronalen Netzen ausgeben werden können. In bisherigen Veröffentlichungen zur automatischen Berechnung des Herz-Throax-Quotienten mithilfe Neuronaler Netze, wurde diese Option jedoch nicht betrachtet. In dieser Arbeit wird das vortrainierte Neuronale Netz Faster R-CNN35 aus Detectron252 für die Erkennung von Herz und Lunge trainiert, um das Potential von Objektdetektoren in der Kardiomegalie Erkennung zu untersuchen. Auf einem privaten Testdatensatz, mit von einem Radiologen gemessenen Herz-Thorax-Quotienten, erreichte Faster R-CNN eine Sensitivity von 100% und eine Specificity von 82%. Dabei weisen die gemessenen Werte eine mittlere Differenz von 0, 0291 ± 0, 0889 zu den Werten des Radiologen auf. Des Weiteren wurde in Zusammenarbeit mit einem Radiologen der Uniklinik Würzburg die Anwendbarkeit des trainierten Netzes als Warnsystem im klinischen Alltag getestet. Dabei konnten vielversprechende Ergebnisse erzielt werden, welche zeigen, dass das Neuronale Netz bei einer schnellen Erkennung von Verdachtsfällen mit der Effektivität eines Radiologen mithalten kann. Um Vergleichswerte für den Ansatz der Segmentierung zu erhalten, wurde das U-Net37 aus der Bachelorarbeit von Hasler14 auf dem privaten Datensatz dieser Arbeit neu ausgewertet. Diese Werte konnten übertroffen werden. Ebenfalls wurde das Netz Mask R-CNN16 aus Detectron2 trainiert, um zu testen, ob die Kombination aus Objektdetektion und Segmentierung weitere Verbesserungen erzielen kann. Ausschlaggebende Verbesserungen zeigten sich jedoch nicht.

@unpublished{Dienesch.2021, abstract = {Im Bereich der Kardiomegalie Erkennung basierend auf Deep Learning, wurden bisher nur Neuronale Netze zur Klassifikation und zur Segmentierung evaluiert.[44] Beim Ansatz der Segmentierung werden aus ausgegebenen Masken der Querdurchmesser des Herzens und der Brust berechnet. Aus diesen beiden Werten ergibt sich der Herz- Thorax-Quotient, welcher ab einemWert über 50% Kardiomegalie indiziert.[5] Doch für die Berechnung der Querdurchmesser wären auch Rahmen um die Organe ausreichend, welche von Objektdetektions Neuronalen Netzen ausgeben werden können. In bisherigen Veröffentlichungen zur automatischen Berechnung des Herz-Throax-Quotienten mithilfe Neuronaler Netze, wurde diese Option jedoch nicht betrachtet. In dieser Arbeit wird das vortrainierte Neuronale Netz Faster R-CNN[35] aus Detectron2[52] für die Erkennung von Herz und Lunge trainiert, um das Potential von Objektdetektoren in der Kardiomegalie Erkennung zu untersuchen. Auf einem privaten Testdatensatz, mit von einem Radiologen gemessenen Herz-Thorax-Quotienten, erreichte Faster R-CNN eine Sensitivity von 100% und eine Specificity von 82%. Dabei weisen die gemessenen Werte eine mittlere Differenz von 0, 0291 ± 0, 0889 zu den Werten des Radiologen auf. Des Weiteren wurde in Zusammenarbeit mit einem Radiologen der Uniklinik Würzburg die Anwendbarkeit des trainierten Netzes als Warnsystem im klinischen Alltag getestet. Dabei konnten vielversprechende Ergebnisse erzielt werden, welche zeigen, dass das Neuronale Netz bei einer schnellen Erkennung von Verdachtsfällen mit der Effektivität eines Radiologen mithalten kann. Um Vergleichswerte für den Ansatz der Segmentierung zu erhalten, wurde das U-Net[37] aus der Bachelorarbeit von Hasler[14] auf dem privaten Datensatz dieser Arbeit neu ausgewertet. Diese Werte konnten übertroffen werden. Ebenfalls wurde das Netz Mask R-CNN[16] aus Detectron2 trainiert, um zu testen, ob die Kombination aus Objektdetektion und Segmentierung weitere Verbesserungen erzielen kann. Ausschlaggebende Verbesserungen zeigten sich jedoch nicht.}, added-at = {2022-04-08T15:18:36.000+0200}, author = {Dienesch, Nils}, biburl = {https://www.bibsonomy.org/bibtex/2add979587acab70add185eb934d19e94/hekalo}, file = {https://box.fu-berlin.de/s/yssD6zgkkDKPFmL?dir=undefined&openfile=262174778}, interhash = {46ece1ad176caa651e4d66a3229cb344}, intrahash = {add979587acab70add185eb934d19e94}, keywords = {ba student:thesis}, language = {de}, school = {Universität Würzburg}, timestamp = {2022-04-08T15:18:36.000+0200}, title = {Automatisierte Kardiomegalie Erkennung durch auf Deep Learning basierter Objektdetektion}, type = {Bachelorarbeit Informatik}, year = 2021 }