Published January 1, 2023
| Version v1
Publication
Open
Chest Radiographs Based Pneumothorax Detection Using Federated Learning
Creators
- 1. Al Jouf University
- 2. Khon Kaen University
- 3. Suranaree University of Technology
- 4. International Islamic University, Islamabad
- 5. Comenius University Bratislava
- 6. Prince Sattam Bin Abdulaziz University
Description
Pneumothorax is a thoracic condition that occurs when a person's lungs collapse, causing air to enter the pleural cavity, the area close to the lungs and chest wall. The most persistent disease, as well as one that necessitates particular patient care and the privacy of their health records. The radiologists find it challenging to diagnose pneumothorax due to the variations in images. Deep learning-based techniques are commonly employed to solve image categorization and segmentation problems. However, it is challenging to employ it in the medical field due to privacy issues and a lack of data. To address this issue, a federated learning framework based on an Xception neural network model is proposed in this research. The pneumothorax medical image dataset is obtained from the Kaggle repository. Data preprocessing is performed on the used dataset to convert unstructured data into structured information to improve the model's performance. Min-max normalization technique is used to normalize the data, and the features are extracted from chest X-ray images. Then dataset converts into two windows to make two clients for local model training. Xception neural network model is trained on the dataset individually and aggregates model updates from two clients on the server side. To decrease the over-fitting effect, every client analyses the results three times. Client 1 performed better in round 2 with a 79.0% accuracy, and client 2 performed better in round 2 with a 77.0% accuracy. The experimental result shows the effectiveness of the federated learning-based technique on a deep neural network, reaching a 79.28% accuracy while also providing privacy to the patient's data.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
استرواح الصدر هو حالة صدرية تحدث عندما تنهار رئتا الشخص، مما يتسبب في دخول الهواء إلى التجويف الجنبي، والمنطقة القريبة من الرئتين وجدار الصدر. المرض الأكثر استمرارًا، بالإضافة إلى المرض الذي يتطلب رعاية خاصة للمرضى وخصوصية سجلاتهم الصحية. يجد أخصائيو الأشعة صعوبة في تشخيص استرواح الصدر بسبب الاختلافات في الصور. تُستخدم التقنيات القائمة على التعلم العميق بشكل شائع لحل مشاكل تصنيف الصور وتجزئتها. ومع ذلك، من الصعب توظيفه في المجال الطبي بسبب قضايا الخصوصية ونقص البيانات. ولمعالجة هذه المشكلة، يُقترح في هذا البحث إطار تعليمي اتحادي يستند إلى نموذج شبكة Xception العصبية. يتم الحصول على مجموعة بيانات الصورة الطبية لاسترواح الصدر من مستودع Kaggle. يتم إجراء المعالجة المسبقة للبيانات على مجموعة البيانات المستخدمة لتحويل البيانات غير المنظمة إلى معلومات منظمة لتحسين أداء النموذج. يتم استخدام تقنية التطبيع بالحد الأدنى الأقصى لتطبيع البيانات، ويتم استخراج الميزات من صور الأشعة السينية للصدر. ثم تتحول مجموعة البيانات إلى نافذتين لجعل عميلين للتدريب على النماذج المحلية. يتم تدريب نموذج الشبكة العصبية Xception على مجموعة البيانات بشكل فردي وتجميع تحديثات النموذج من عميلين على جانب الخادم. لتقليل تأثير الإفراط في التركيب، يقوم كل عميل بتحليل النتائج ثلاث مرات. كان أداء العميل 1 أفضل في الجولة 2 بدقة 79.0 ٪، وكان أداء العميل 2 أفضل في الجولة 2 بدقة 77.0 ٪. تُظهر النتيجة التجريبية فعالية التقنية القائمة على التعلم المتحد على شبكة عصبية عميقة، حيث وصلت إلى دقة 79.28 ٪ مع توفير الخصوصية أيضًا لبيانات المريض.Translated Description (French)
Le pneumothorax est une affection thoracique qui survient lorsque les poumons d'une personne s'effondrent, provoquant l'entrée d'air dans la cavité pleurale, la zone proche des poumons et de la paroi thoracique. La maladie la plus persistante, ainsi que celle qui nécessite des soins particuliers aux patients et la confidentialité de leurs dossiers de santé. Les radiologues ont du mal à diagnostiquer le pneumothorax en raison des variations des images. Les techniques basées sur l'apprentissage en profondeur sont couramment utilisées pour résoudre les problèmes de catégorisation et de segmentation des images. Cependant, il est difficile de l'employer dans le domaine médical en raison de problèmes de confidentialité et d'un manque de données. Pour résoudre ce problème, un cadre d'apprentissage fédéré basé sur un modèle de réseau neuronal Xception est proposé dans cette recherche. L'ensemble de données d'images médicales pneumothorax est obtenu à partir du référentiel Kaggle. Le prétraitement des données est effectué sur l'ensemble de données utilisé pour convertir les données non structurées en informations structurées afin d'améliorer les performances du modèle. La technique de normalisation Min-max est utilisée pour normaliser les données, et les caractéristiques sont extraites des images radiographiques du thorax. Ensuite, l'ensemble de données se convertit en deux fenêtres pour faire deux clients pour la formation de modèle local. Le modèle de réseau neuronal Xception est formé sur l'ensemble de données individuellement et agrège les mises à jour du modèle de deux clients côté serveur. Pour diminuer l'effet de surajustement, chaque client analyse les résultats trois fois. Le client 1 a obtenu de meilleurs résultats au tour 2 avec une précision de 79,0 %, et le client 2 a obtenu de meilleurs résultats au tour 2 avec une précision de 77,0 %. Le résultat expérimental montre l'efficacité de la technique basée sur l'apprentissage fédéré sur un réseau neuronal profond, atteignant une précision de 79,28% tout en assurant la confidentialité des données du patient.Translated Description (Spanish)
El neumotórax es una afección torácica que ocurre cuando los pulmones de una persona se colapsan, lo que hace que el aire ingrese a la cavidad pleural, el área cercana a los pulmones y la pared torácica. La enfermedad más persistente, así como una que requiere atención particular del paciente y la privacidad de sus registros de salud. A los radiólogos les resulta difícil diagnosticar el neumotórax debido a las variaciones en las imágenes. Las técnicas basadas en el aprendizaje profundo se emplean comúnmente para resolver problemas de categorización y segmentación de imágenes. Sin embargo, es difícil emplearlo en el campo médico debido a problemas de privacidad y falta de datos. Para abordar este problema, en esta investigación se propone un marco de aprendizaje federado basado en un modelo de red neuronal Xception. El conjunto de datos de imágenes médicas de neumotórax se obtiene del repositorio de Kaggle. El preprocesamiento de datos se realiza en el conjunto de datos utilizado para convertir datos no estructurados en información estructurada para mejorar el rendimiento del modelo. Se utiliza la técnica de normalización mínimo-máximo para normalizar los datos, y las características se extraen de las imágenes de rayos X del tórax. Luego, el conjunto de datos se convierte en dos ventanas para crear dos clientes para la capacitación de modelos locales. El modelo de red neuronal de Xception se entrena en el conjunto de datos individualmente y agrega las actualizaciones del modelo de dos clientes en el lado del servidor. Para disminuir el efecto de sobreajuste, cada cliente analiza los resultados tres veces. El cliente 1 se desempeñó mejor en la ronda 2 con un 79.0% de precisión, y el cliente 2 se desempeñó mejor en la ronda 2 con un 77.0% de precisión. El resultado experimental muestra la efectividad de la técnica federada basada en el aprendizaje en una red neuronal profunda, alcanzando una precisión del 79,28% al tiempo que proporciona privacidad a los datos del paciente.Files
TSP_CSSE_39007.pdf.pdf
Files
(1.6 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:abe0396fab7cb62e6b21b3a776e52e72
|
1.6 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- الكشف عن استرواح الصدر القائم على الصور الشعاعية للصدر باستخدام التعلم المتحد
- Translated title (French)
- Radiographies thoraciques basées sur la détection du pneumothorax à l'aide de l'apprentissage fédéré
- Translated title (Spanish)
- Radiografías de tórax basadas en la detección de neumotórax mediante aprendizaje federado
Identifiers
- Other
- https://openalex.org/W4385284346
- DOI
- 10.32604/csse.2023.039007
References
- https://openalex.org/W1985142235
- https://openalex.org/W2775355871
- https://openalex.org/W2788633781
- https://openalex.org/W2795964626
- https://openalex.org/W2884821113
- https://openalex.org/W2905307056
- https://openalex.org/W2917790938
- https://openalex.org/W2959281129
- https://openalex.org/W2968196662
- https://openalex.org/W2977506575
- https://openalex.org/W2979929139
- https://openalex.org/W2980152791
- https://openalex.org/W2982092870
- https://openalex.org/W2990660335
- https://openalex.org/W2992240579
- https://openalex.org/W2996718465
- https://openalex.org/W2999211502
- https://openalex.org/W3000386310
- https://openalex.org/W3018464563
- https://openalex.org/W3031765992
- https://openalex.org/W3041608560
- https://openalex.org/W3084049187
- https://openalex.org/W3092144916
- https://openalex.org/W3095677657
- https://openalex.org/W3096604384
- https://openalex.org/W3109877856
- https://openalex.org/W3110306513
- https://openalex.org/W3120777630
- https://openalex.org/W3130528460
- https://openalex.org/W3134843574
- https://openalex.org/W3135231128
- https://openalex.org/W3137174978
- https://openalex.org/W3156134801
- https://openalex.org/W3159026521
- https://openalex.org/W3163472990
- https://openalex.org/W4200420261
- https://openalex.org/W4206484519
- https://openalex.org/W4206726406
- https://openalex.org/W4210269187
- https://openalex.org/W4213173579
- https://openalex.org/W4213206766
- https://openalex.org/W4214719528
- https://openalex.org/W4214830197
- https://openalex.org/W4214833632
- https://openalex.org/W4220970464
- https://openalex.org/W4225423421
- https://openalex.org/W4242236625
- https://openalex.org/W4244665703
- https://openalex.org/W4283070472
- https://openalex.org/W4283079749
- https://openalex.org/W4283210780
- https://openalex.org/W4283707062
- https://openalex.org/W4284990537
- https://openalex.org/W4285249811
- https://openalex.org/W4286377463
- https://openalex.org/W4288423900
- https://openalex.org/W4290963548
- https://openalex.org/W4292387561
- https://openalex.org/W4298024993
- https://openalex.org/W4303980396