Automatic pancreas segmentation using ResNet-18 deep learning approach

Скорочена інформація про документ
dc.contributor.authorKakarwal, S. N.
dc.contributor.authorPaithane, Pradip M.
dc.date.accessioned2022-11-11T13:13:12Z
dc.date.available2022-11-11T13:13:12Z
dc.date.issued2022
dc.description.abstractenThe 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.uk
dc.description.abstractukТочний 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.uk
dc.format.pagerangeС. 104-116uk
dc.identifier.citationKakarwal, S. N. Automatic pancreas segmentation using ResNet-18 deep learning approach / S. N. Kakarwal, P. M. Paithane // Системні дослідження та інформаційні технології : міжнародний науково-технічний журнал. – 2022. – № 2. – С. 104-116. – Бібліогр.: 20 назв.uk
dc.identifier.doihttps://doi.org/10.20535/SRIT.2308-8893.2022.2.08
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/51046
dc.language.isoenuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.sourceСистемні дослідження та інформаційні технології : міжнародний науково-технічний журнал, № 2uk
dc.subjectDeep Learninguk
dc.subjectDice Coefficientuk
dc.subjectFully Connected Layer (FCN)uk
dc.subjectResidual Network (ResNet-18)uk
dc.subjectVisual Geometry Group (VGG)uk
dc.subjectглибоке навчанняuk
dc.subjectкоефіцієнт кубиківuk
dc.subjectповністю підключений шар (FCN)uk
dc.subjectзалишкова мережа (ResNet-18)uk
dc.subjectгрупа візуальної геометрії (VGG)uk
dc.subject.udc303.732.4, 519.816uk
dc.titleAutomatic pancreas segmentation using ResNet-18 deep learning approachuk
dc.title.alternativeАвтоматична сегментація підшлункової залози з використанням ResNet-18 методу глибокого навчанняuk
dc.typeArticleuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
2022_2_104-116.pdf
Розмір:
407.21 KB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.1 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Системні дослідження та інформаційні технології: міжнародний науково-технічний журнал, № 2