Автоматична сегментація підшлункової залози з використанням ResNet-18 методу глибокого навчання

The accurate pancreas segmentation process is essential in the early detection of pancreatic cancer. The pancreas is situated in the abdominal cavity of the human body. The abdominal cavity contains the pancreas, liver, spleen, kidney, and adrenal glands. Sharp and smooth detection of the pancreas f...

Повний опис

Збережено в:
Бібліографічні деталі
Дата:2022
Автори: Kakarwal, Sangeeta, Paithane, Pradip
Формат: Стаття
Мова:English
Опубліковано: The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" 2022
Теми:
Онлайн доступ:http://journal.iasa.kpi.ua/article/view/265645
Теги: Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:System research and information technologies

Репозитарії

System research and information technologies
id journaliasakpiua-article-265645
record_format ojs
institution System research and information technologies
collection OJS
language English
topic глибоке навчання
коефіцієнт кубиків
повністю підключений шар (FCN)
залишкова мережа (ResNet-18)
група візуальної геометрії (VGG)
Deep Learning
Dice Coefficient
Fully Connected Layer (FCN)
Residual Network (ResNet-18)
Visual Geometry Group (VGG)
spellingShingle глибоке навчання
коефіцієнт кубиків
повністю підключений шар (FCN)
залишкова мережа (ResNet-18)
група візуальної геометрії (VGG)
Deep Learning
Dice Coefficient
Fully Connected Layer (FCN)
Residual Network (ResNet-18)
Visual Geometry Group (VGG)
Kakarwal, Sangeeta
Paithane, Pradip
Автоматична сегментація підшлункової залози з використанням ResNet-18 методу глибокого навчання
topic_facet глибоке навчання
коефіцієнт кубиків
повністю підключений шар (FCN)
залишкова мережа (ResNet-18)
група візуальної геометрії (VGG)
Deep Learning
Dice Coefficient
Fully Connected Layer (FCN)
Residual Network (ResNet-18)
Visual Geometry Group (VGG)
format Article
author Kakarwal, Sangeeta
Paithane, Pradip
author_facet Kakarwal, Sangeeta
Paithane, Pradip
author_sort Kakarwal, Sangeeta
title Автоматична сегментація підшлункової залози з використанням ResNet-18 методу глибокого навчання
title_short Автоматична сегментація підшлункової залози з використанням ResNet-18 методу глибокого навчання
title_full Автоматична сегментація підшлункової залози з використанням ResNet-18 методу глибокого навчання
title_fullStr Автоматична сегментація підшлункової залози з використанням ResNet-18 методу глибокого навчання
title_full_unstemmed Автоматична сегментація підшлункової залози з використанням ResNet-18 методу глибокого навчання
title_sort автоматична сегментація підшлункової залози з використанням resnet-18 методу глибокого навчання
title_alt Automatic pancreas segmentation using ResNet-18 deep learning approach
description The accurate pancreas segmentation process is essential in the early detection of pancreatic cancer. The pancreas is situated in the abdominal cavity of the human body. The abdominal cavity contains the pancreas, liver, spleen, kidney, and adrenal glands. Sharp and smooth detection of the pancreas from this abdominal cavity is a challenging and tedious job in medical image investigation. Top-down approaches like Novel Modified K-means Fuzzy clustering algorithm (NMKFCM), Scale Invariant Feature Transform (SIFT), Kernel Density Estimator (KDE) algorithms were applied for pancreas segmentation in the early days. Recently, Bottom-up method has become popular for pancreas segmentation in medical image analysis and cancer diagnosis. LevelSet algorithm is used to detect the pancreas from the abdominal cavity. The deep learning, bottom-up approach performance is better than another. Deep Residual Network (ResNet-18) deep learning, bottom-up approach is used to detect accurate and sharp pancreas from CT scan medical images. 18 layers are used in the architecture of ResNet-18. The automatic pancreas and kidney segmentation is accurately extracted from CT scan images. The proposed method is applied to the medical CT scan images dataset of 82 patients. 699 images and 150 images with different angles are used for training and testing purposes, respectively. ResNet-18 attains a dice similarity index value up to 98.29±0.63, Jaccard Index value up to 96.63±01.25, Bfscore value up to 84.65±03.96. The validation accuracy of the proposed method is 97.01%, and the loss rate value achieves up to 0.0010. The class imbalance problem is solved by class weight and data augmentation.
publisher The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"
publishDate 2022
url http://journal.iasa.kpi.ua/article/view/265645
work_keys_str_mv AT kakarwalsangeeta automaticpancreassegmentationusingresnet18deeplearningapproach
AT paithanepradip automaticpancreassegmentationusingresnet18deeplearningapproach
AT kakarwalsangeeta avtomatičnasegmentacíâpídšlunkovoízalozizvikoristannâmresnet18metoduglibokogonavčannâ
AT paithanepradip avtomatičnasegmentacíâpídšlunkovoízalozizvikoristannâmresnet18metoduglibokogonavčannâ
first_indexed 2024-04-08T15:08:08Z
last_indexed 2024-04-08T15:08:08Z
_version_ 1795779606039494656
spelling journaliasakpiua-article-2656452022-10-17T22:12:39Z Automatic pancreas segmentation using ResNet-18 deep learning approach Автоматична сегментація підшлункової залози з використанням ResNet-18 методу глибокого навчання Kakarwal, Sangeeta Paithane, Pradip глибоке навчання коефіцієнт кубиків повністю підключений шар (FCN) залишкова мережа (ResNet-18) група візуальної геометрії (VGG) Deep Learning Dice Coefficient Fully Connected Layer (FCN) Residual Network (ResNet-18) Visual Geometry Group (VGG) The accurate pancreas segmentation process is essential in the early detection of pancreatic cancer. The pancreas is situated in the abdominal cavity of the human body. The abdominal cavity contains the pancreas, liver, spleen, kidney, and adrenal glands. Sharp and smooth detection of the pancreas from this abdominal cavity is a challenging and tedious job in medical image investigation. Top-down approaches like Novel Modified K-means Fuzzy clustering algorithm (NMKFCM), Scale Invariant Feature Transform (SIFT), Kernel Density Estimator (KDE) algorithms were applied for pancreas segmentation in the early days. Recently, Bottom-up method has become popular for pancreas segmentation in medical image analysis and cancer diagnosis. LevelSet algorithm is used to detect the pancreas from the abdominal cavity. The deep learning, bottom-up approach performance is better than another. Deep Residual Network (ResNet-18) deep learning, bottom-up approach is used to detect accurate and sharp pancreas from CT scan medical images. 18 layers are used in the architecture of ResNet-18. The automatic pancreas and kidney segmentation is accurately extracted from CT scan images. The proposed method is applied to the medical CT scan images dataset of 82 patients. 699 images and 150 images with different angles are used for training and testing purposes, respectively. ResNet-18 attains a dice similarity index value up to 98.29±0.63, Jaccard Index value up to 96.63±01.25, Bfscore value up to 84.65±03.96. The validation accuracy of the proposed method is 97.01%, and the loss rate value achieves up to 0.0010. The class imbalance problem is solved by class weight and data augmentation. Точний процес сегментації підшлункової залози є важливим процесом для раннього виявлення раку підшлункової залози. Підшлункова залоза розташована в черевній порожнині тіла людини як і печінка, селезінка, нирки та наднирники. Чітке та плавне виявлення підшлункової залози у черевній порожнині є складною та виснажливою роботою у ході дослідження медичного зображення. Для сегментації підшлункової залози в перші дні застосовуються підходи "зверху-вниз", як-от новий модифікований алгоритм кластеризації K-середніх (NMKFCM), масштабно інваріантне перетворення ознак (SIFT), алгоритм оцінювання щільності ядра (KDE). Останнім часом популярний метод BottomUp для сегментації підшлункової залози в аналізі медичного зображення та діагностики раку. Алгоритм LevelSet використовується для виокремлення підшлункової залози серед черевної порожнини. Поглиблене навчання, підхід "знизу-вгору" кращий, ніж інші. Глибока залишкова мережа (ResNet-18) глибоке навчання, підхід "знизу-вгору" використовується для виявлення точної та чіткої підшлункової залози за медичними зображеннями КТ. В архітектурі ResNet-18 застосовується 18 шарів. Автоматична сегментація підшлункової залози та нирок виокремлюється із зображень КТ-сканування із високою точністю. Запропонований метод застосовано на медичній комп’ютерній томографії 82 пацієнтів. 699 зображень і 150 зображень із різними кутами застосовують для навчання та тестування відповідно. ResNet-18 досягає значення індексу подібності кубиків до 98,29±0,63, значення індексу Жакара до — 96,63±01,25, значення Bfscore — до 84,65±03,96. Точність валідації запропонованого методу становить 97,01%, а значення коефіцієнта втрат досягає 0,0010. Проблема дисбалансу класу вирішується за допомогою ваги класу та збільшення даних. The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" 2022-08-30 Article Article application/pdf http://journal.iasa.kpi.ua/article/view/265645 10.20535/SRIT.2308-8893.2022.2.08 System research and information technologies; No. 2 (2022); 104-116 Системные исследования и информационные технологии; № 2 (2022); 104-116 Системні дослідження та інформаційні технології; № 2 (2022); 104-116 2308-8893 1681-6048 en http://journal.iasa.kpi.ua/article/view/265645/261704