Published January 1, 2022
| Version v1
Publication
Open
Development of the Osteosarcoma Lung Nodules Detection Model Based on SSD-VGG16 and Competency Comparing With Traditional Method
Creators
- 1. Thammasat University
- 2. Lerdsin Hospital
- 3. Ministry of Public Health
Description
Osteosarcoma nodule that metastasized to the patient's lungs was difficult to detect due to limited cases caused by its rarity.The traditional method for finding lung nodules is manually done by radiologists by looking at CT-scanned images.As a result, the error rate for reading lung metastasized nodules ranged from 29 to 42 percent, while the permissible mistake rate for reading should be less than 29 percent.Advanced computer-aid techniques such as image processing and machine learning can help doctors to identify the Osteosarcoma lung nodules easier and more accurately.Convolutional Neural Networks (CNNs) are promising techniques since they could be trained by experienced radiologists.Nodule location and size information was critical for treatments that were obtained by object detector CNNs models.In this research, the Single Shot Detection (SSD) framework combined with the VGG16 backbone, SSD-VGG16, was implemented to obtain bounding box locations and sizes when each box represents one Osteosarcoma nodule with the confidence score.The SSD-VGG16 was selected due to its superior performance.The patient's CTscanned images dataset collected from 202 patient cases was provided by Lerdsin hospital and used for training and validating the SSD-VGG16 model.The trained SSD-VGG16 model was trained based on two loss functions which are class confidence and location losses.Then, the trained model experimented with unseen CT-scanned images.The performance scores were calculated.The Result was analyzed and concluded.Finally, SSD-VGG16 shows the ability to detect and locate the nodules efficiently and has less error compared to the traditional method.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
كان من الصعب اكتشاف عقيدات الساركوما العظمية المنتشرة في رئتي المريض بسبب الحالات المحدودة الناجمة عن ندرتها. يتم إجراء الطريقة التقليدية للعثور على عقيدات الرئة يدويًا بواسطة أخصائيي الأشعة من خلال النظر إلى الصور الممسوحة بالأشعة المقطعية. ونتيجة لذلك، تراوح معدل الخطأ لقراءة العقيدات المنتشرة في الرئة من 29 إلى 42 في المائة، في حين يجب أن يكون معدل الخطأ المسموح به للقراءة أقل من 29 في المائة. يمكن لتقنيات المساعدة الحاسوبية المتقدمة مثل معالجة الصور والتعلم الآلي أن تساعد الأطباء على تحديد عقيدات الساركوما العظمية الرئوية بسهولة أكبر بدقة. الشبكات العصبية التطورية (CNNs) هي تقنيات واعدة لأنه يمكن تدريبها من قبل أخصائيي الأشعة ذوي الخبرة. كانت معلومات موقع وحجم العقيدات حاسمة للعلاجات التي تم الحصول عليها بواسطة نماذج CNNs للكشف عن الأجسام. في هذا البحث، تم تنفيذ إطار الكشف عن اللقطة الواحدة (SSD) جنبًا إلى جنب مع العمود الفقري لـ VGG16، SSD - VGG16، للحصول على مواقع وأحجام الصناديق المجاورة عندما يمثل كل صندوق عقدة ساركوما عظمية واحدة بدرجة الثقة. تم اختيار SSD - VGG16 بسبب أدائه المتفوق. تم جمع مجموعة بيانات الصور الممسوحة ضوئيًا للمريض من 202 حالة مريض تم توفيرها من قبل مستشفى ليردسين واستخدامها لتدريب والتحقق من صحة نموذج SSD - VGG16. تم تدريب نموذج SSD - VGG16 المدرب بناءً على وظيفتي فقدان هما ثقة الفصل وفقدان الموقع. ثم، جرب النموذج المدرب صورًا ممسوحة ضوئيًا بالأشعة المقطعية غير مرئية. تم حساب درجات الأداء. تم تحليل النتيجة واستنتاجها. أخيرًا، يُظهر SSD - VGG16 القدرة على اكتشاف العقيدات وتحديد موقعها بكفاءة ولديه خطأ أقل مقارنةً بالطريقة التقليدية.Translated Description (French)
Le nodule d'ostéosarcome qui s'est métastasé dans les poumons du patient était difficile à détecter en raison des cas limités causés par sa rareté. La méthode traditionnelle de recherche des nodules pulmonaires est effectuée manuellement par les radiologues en regardant les images tomodensitométriques. En conséquence, le taux d'erreur pour la lecture des nodules métastasés pulmonaires variait de 29 à 42 pour cent, tandis que le taux d'erreur admissible pour la lecture devrait être inférieur à 29 pour cent. Les techniques avancées d'aide informatique telles que le traitement d'images et l'apprentissage automatique peuvent aider les médecins à identifier les nodules pulmonaires d'ostéosarcome plus facilement et plus precision.Convolutional Neural Networks (CNNs) are promising techniques since they could be trained by experienced radiologists.Nodule location and size information was critical for treatments that were obtained by object detector CNNs models.In this research, the Single Shot Detection (SSD) framework combined with the VGG16 backbone, SSD-VGG16, was implemented to obtain bounding box locations and sizes when each box represents one Osteosarcoma nodule with the confidence score.The SSD-VGG16 was selected due to its superior performance.The patient' s CTscanned images dataaset collected from 202 patient cases was fourni par l'hôpital de Lerdsin et utilisé pour la formation et la validation du modèle SSD-VGG16. Le modèle SSD-VGG16 formé a été formé sur la base de deux fonctions de perte qui sont la confiance de classe et les pertes de localisation. Ensuite, le modèle formé a expérimenté avec des images tomodensitométriques invisibles. Les scores de performance ont été calculés. Le résultat a été analysé et conclu. Enfin, SSD-VGG16 montre la capacité de détecter et de localiser les nodules efficacement et a moins d'erreurs par rapport à la méthode traditionnelle.Translated Description (Spanish)
El nódulo de osteosarcoma que hizo metástasis en los pulmones del paciente fue difícil de detectar debido a los casos limitados causados por su rareza. El método tradicional para encontrar nódulos pulmonares es realizado manualmente por los radiólogos al observar las imágenes escaneadas por TC. Como resultado, la tasa de error para leer los nódulos metastásicos pulmonares osciló entre el 29 y el 42 por ciento, mientras que la tasa de error permisible para la lectura debe ser inferior al 29 por ciento. Las técnicas avanzadas de ayuda informática, como el procesamiento de imágenes y el aprendizaje automático, pueden ayudar a los médicos a identificar los nódulos pulmonares de osteosarcoma más fácil y más con precisión. Las redes neuronales convolucionales (CNN) son técnicas prometedoras, ya que podrían ser entrenadas por radiólogos experimentados. La información sobre la ubicación y el tamaño del nódulo fue fundamental para los tratamientos que se obtuvieron mediante los modelos CNN de detector de objetos. En esta investigación, se implementó el marco de detección de disparo único (SSD) combinado con la columna vertebral VGG16, SSD-VGG16, para obtener ubicaciones y tamaños de cuadros delimitadores cuando cada cuadro representa un nódulo de osteosarcoma con la puntuación de confianza. El SSD-VGG16 se seleccionó debido a su rendimiento superior. El conjunto de datos de imágenes escaneadas por TC del paciente recopilado de 202 casos de pacientes fue proporcionado por el hospital Lerdsin y utilizado para entrenar y validar el modelo SSD-VGG16. El modelo SSD-VGG16 entrenado se entrenó en función de dos funciones de pérdida que son la confianza de clase y las pérdidas de ubicación. Luego, el modelo entrenado experimentó con imágenes escaneadas por TC no vistas. Se calcularon las puntuaciones de rendimiento. Se analizó y concluyó el resultado. Finalmente, SSD-VGG16 muestra la capacidad de detectar y localizar los nódulos de manera eficiente y tiene menos errores en comparación con el método tradicional.Files
09797688.pdf.pdf
Files
(245 Bytes)
| Name | Size | Download all |
|---|---|---|
|
md5:31145d4ad3ff90ffc1259f0e5390b9df
|
245 Bytes | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- تطوير نموذج الكشف عن العقيدات الرئوية للساركوما العظمية بناءً على SSD - VGG16 والكفاءة مقارنة بالطريقة التقليدية
- Translated title (French)
- Développement du modèle de détection des nodules pulmonaires de l'ostéosarcome basé sur SSD-VGG16 et comparaison des compétences avec la méthode traditionnelle
- Translated title (Spanish)
- Desarrollo del modelo de detección de nódulos pulmonares de osteosarcoma basado en SSD-VGG16 y competencia en comparación con el método tradicional
Identifiers
- Other
- https://openalex.org/W4285058664
- DOI
- 10.1109/access.2022.3183604
References
- https://openalex.org/W1608624694
- https://openalex.org/W1832115302
- https://openalex.org/W1871050032
- https://openalex.org/W1985714928
- https://openalex.org/W1988087430
- https://openalex.org/W1989999958
- https://openalex.org/W2013209730
- https://openalex.org/W2020454577
- https://openalex.org/W2022969828
- https://openalex.org/W2029252577
- https://openalex.org/W2047744455
- https://openalex.org/W2055237748
- https://openalex.org/W2072128072
- https://openalex.org/W2072546942
- https://openalex.org/W2076757729
- https://openalex.org/W2077149593
- https://openalex.org/W2105324068
- https://openalex.org/W2117826737
- https://openalex.org/W2119571410
- https://openalex.org/W2141619730
- https://openalex.org/W2194775991
- https://openalex.org/W2253429366
- https://openalex.org/W2346062110
- https://openalex.org/W2565639579
- https://openalex.org/W2939411050
- https://openalex.org/W2948972174
- https://openalex.org/W2960296264
- https://openalex.org/W2963037989
- https://openalex.org/W2963163009
- https://openalex.org/W2964670245
- https://openalex.org/W2981816761
- https://openalex.org/W2999417355
- https://openalex.org/W3003306432
- https://openalex.org/W3082474906
- https://openalex.org/W3094482290
- https://openalex.org/W3139670053
- https://openalex.org/W3168680802
- https://openalex.org/W3169684453
- https://openalex.org/W3214291416
- https://openalex.org/W4200465517
- https://openalex.org/W4206906990
- https://openalex.org/W4211062330
- https://openalex.org/W4239658490
- https://openalex.org/W4297775537
- https://openalex.org/W639708223