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-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.
Users
Please
log in to take part in the discussion (add own reviews or comments).