Published January 1, 2020
| Version v1
Publication
Open
Segmentation of Lungs in Chest X-Ray Image Using Generative Adversarial Networks
- 1. COMSATS University Islamabad
- 2. Abbottabad University of Science and Technology
- 3. Ollscoil na Gaillimhe – University of Galway
- 4. Umeå University
Description
Chest X-ray (CXR) is a low-cost medical imaging technique. It is a common procedure for the identification of many respiratory diseases compared to MRI, CT, and PET scans. This paper presents the use of generative adversarial networks (GAN) to perform the task of lung segmentation on a given CXR. GANs are popular to generate realistic data by learning the mapping from one domain to another. In our work, the generator of the GAN is trained to generate a segmented mask of a given input CXR. The discriminator distinguishes between a ground truth and the generated mask, and updates the generator through the adversarial loss measure. The objective is to generate masks for the input CXR, which are as realistic as possible compared to the ground truth masks. The model is trained and evaluated using four different discriminators referred to as D1, D2, D3, and D4, respectively. Experimental results on three different CXR datasets reveal that the proposed model is able to achieve a dice-score of 0.9740, and IOU score of 0.943, which are better than other reported state-of-the art results.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
الأشعة السينية على الصدر (CXR) هي تقنية تصوير طبية منخفضة التكلفة. وهو إجراء شائع لتحديد العديد من أمراض الجهاز التنفسي مقارنة بالتصوير بالرنين المغناطيسي والتصوير المقطعي المحوسب والتصوير المقطعي بالإصدار البوزيتروني. تعرض هذه الورقة استخدام شبكات الخصومة التوليدية (GAN) لأداء مهمة تجزئة الرئة في تصوير الصدر بالأشعة السينية معين. تحظى شبكات GAN بشعبية كبيرة لتوليد بيانات واقعية من خلال تعلم رسم الخرائط من مجال إلى آخر. في عملنا، يتم تدريب مولد GAN على إنشاء قناع مجزأ لمدخل CXR معين. يميز المميز بين الحقيقة الأرضية والقناع الذي تم إنشاؤه، ويقوم بتحديث المولد من خلال مقياس الخسارة التخاصمية. الهدف هو إنشاء أقنعة لمدخلات تصوير الصدر بالأشعة السينية، والتي تكون واقعية قدر الإمكان مقارنة بأقنعة الحقيقة الأرضية. يتم تدريب النموذج وتقييمه باستخدام أربعة عوامل تمييز مختلفة يشار إليها باسم D1 و D2 و D3 و D4 على التوالي. تكشف النتائج التجريبية على ثلاث مجموعات بيانات مختلفة من تصوير الصدر بالأشعة السينية أن النموذج المقترح قادر على تحقيق درجة نرد 0.9740، ودرجة سندات دين 0.943، وهي أفضل من النتائج الحديثة الأخرى المبلغ عنها.Translated Description (French)
La radiographie thoracique (CXR) est une technique d'imagerie médicale peu coûteuse. Il s'agit d'une procédure courante pour l'identification de nombreuses maladies respiratoires par rapport à l'IRM, à la tomodensitométrie et à la TEP. Cet article présente l'utilisation de réseaux contradictoires génératifs (GaN) pour effectuer la tâche de segmentation pulmonaire sur un CXR donné. Les GaN sont populaires pour générer des données réalistes en apprenant le mappage d'un domaine à l'autre. Dans notre travail, le générateur du GAN est formé pour générer un masque segmenté d'une entrée donnée CXR. Le discriminateur fait la distinction entre une vérité de fond et le masque généré, et met à jour le générateur grâce à la mesure de perte contradictoire. L'objectif est de générer des masques pour le CXR d'entrée, qui soient aussi réalistes que possible par rapport aux masques de vérité au sol. Le modèle est formé et évalué à l'aide de quatre discriminateurs différents appelés D1, D2, D3 et D4, respectivement. Les résultats expérimentaux sur trois ensembles de données CXR différents révèlent que le modèle proposé est capable d'atteindre un score Dice de 0,9740 et un score IOU de 0,943, qui sont meilleurs que les autres résultats de pointe rapportés.Translated Description (Spanish)
La radiografía de tórax (CXR) es una técnica de imagen médica de bajo costo. Es un procedimiento común para la identificación de muchas enfermedades respiratorias en comparación con las resonancias magnéticas, las tomografías computarizadas y las TOMOGRAFÍAS por emisión de positrones. Este documento presenta el uso de redes generativas de confrontación (GAN) para realizar la tarea de segmentación pulmonar en un CXR determinado. Las Gan son populares para generar datos realistas al aprender el mapeo de un dominio a otro. En nuestro trabajo, el generador del GAN está capacitado para generar una máscara segmentada de un CXR de entrada dado. El discriminador distingue entre una verdad fundamental y la máscara generada, y actualiza el generador a través de la medida de pérdida adversarial. El objetivo es generar máscaras para el CXR de entrada, que sean lo más realistas posible en comparación con las máscaras de verdad terrestre. El modelo se entrena y evalúa utilizando cuatro discriminadores diferentes denominados D1, D2, D3 y D4, respectivamente. Los resultados experimentales en tres conjuntos de datos CXR diferentes revelan que el modelo propuesto puede lograr una puntuación de dados de 0,9740 y una puntuación de pagarés de 0,943, que son mejores que otros resultados del estado de la técnica informados.Files
09171249.pdf.pdf
Files
(245 Bytes)
| Name | Size | Download all |
|---|---|---|
|
md5:4205e988e09e4143c9169ea56634b33f
|
245 Bytes | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- تجزئة الرئتين في صورة الأشعة السينية للصدر باستخدام شبكات الخصومة التوليدية
- Translated title (French)
- Segmentation des poumons dans l'image radiographique thoracique à l'aide de réseaux antagonistes génératifs
- Translated title (Spanish)
- Segmentación de los pulmones en la imagen de rayos X del tórax utilizando redes adversarias generativas
Identifiers
- Other
- https://openalex.org/W3051229043
- DOI
- 10.1109/access.2020.3017915
References
- https://openalex.org/W1901129140
- https://openalex.org/W1903029394
- https://openalex.org/W1993763771
- https://openalex.org/W1994062553
- https://openalex.org/W2000353471
- https://openalex.org/W2010382953
- https://openalex.org/W2015558103
- https://openalex.org/W2024569129
- https://openalex.org/W2024798729
- https://openalex.org/W2030928387
- https://openalex.org/W2062322640
- https://openalex.org/W2086183099
- https://openalex.org/W2099290282
- https://openalex.org/W2120621413
- https://openalex.org/W2131706783
- https://openalex.org/W2138473892
- https://openalex.org/W2141453390
- https://openalex.org/W2141619730
- https://openalex.org/W2142514727
- https://openalex.org/W2154581799
- https://openalex.org/W2319508017
- https://openalex.org/W2567079332
- https://openalex.org/W2593414223
- https://openalex.org/W2638344017
- https://openalex.org/W2726555724
- https://openalex.org/W2735429996
- https://openalex.org/W2738232076
- https://openalex.org/W2770511975
- https://openalex.org/W2789713147
- https://openalex.org/W2793197658
- https://openalex.org/W2794103425
- https://openalex.org/W2806263990
- https://openalex.org/W2810767764
- https://openalex.org/W2888443510
- https://openalex.org/W2889246432
- https://openalex.org/W2898091194
- https://openalex.org/W2906395823
- https://openalex.org/W2962878449
- https://openalex.org/W2963073614
- https://openalex.org/W2963684088
- https://openalex.org/W2964242896
- https://openalex.org/W2969361817
- https://openalex.org/W2989673842
- https://openalex.org/W3007486523
- https://openalex.org/W3011041531
- https://openalex.org/W3015388942
- https://openalex.org/W3016216487
- https://openalex.org/W3021820492
- https://openalex.org/W3027763298
- https://openalex.org/W3100819185
- https://openalex.org/W4295274059
- https://openalex.org/W4320013936
- https://openalex.org/W747944234