Automatic Lung Segmentation in Chest X-Ray Images using Dilated Dense-ResUNet
Notice bibliographique
Résumé
Statistical evidence from the World Health Organization (WHO) has shown that lung diseases rank among the primary reasons for fatalities worldwide. With a lack of radiologists interpreting Chest X-Ray (CXR) images for common lung diseases, it becomes a challenge to diagnose lung diseases in a timely manner: Thus, Computer Assisted Diagnostic (CAD) tools can help expedite the procedure. Researchers have begun using deep learning techniques to efficiently analyze lungs in CXR images. To further improve the analysis of lungs, the lung regions can be segmented as a preliminary step. This paper aims to develop and test a lung segmentation model using a modified U-Net architecture. The architecture utilizes transfer learning with DenseNet201, dilated convolutions using a dilation rate of 2 and residual blocks. Numerous experiments were conducted to validate the efficacy of using ImageNet architectures and ImageNet weights on CXR images. Furthermore, different dilation rates were tested to determine the effects of configuring the receptive field. The model was trained using two datasets; Montgomery County (MC) CXR Dataset and Shenzhen Hospital (SH) CXR Dataset. The segmented lungs were evaluated using Jaccard Index (IoU) and Dice Similarity Coefficient (DSC). Compared with results drawn from some of the current state-of-art methods, the proposed model achieves competitive results that has slightly higher IoU and DSC scores.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».