An approach for the chest tube detection in chest radiographs using convolutional neural network

Abstract

Biz radyografilerde mevcut göğüs tüplerini tespit etmek için bir katmanlı sinir ağı ( Ing. Convolutional Neural Network) eğitmeyi öneriyoruz. Göğüs tüpünün iskeletini daha iyi tespit edebilmek için sinir ağının çıktısı üzerine otomatik olarak oturtulan nonuniform rational b-spline eğrisi kullanılmıştır. Bu çalışma, göğüs radyografilerinin akciğer bölgesindeki yabancı cisimleri otomatik olarak tespit etmeye yönelik ilk çalışmadır. Diğer otomatik tespit algoritmaları mediastinum üzerinde çalışmaktadır. Ayrıca tam otomatik olarak çalışması ve erişime açık bir göğüs radyografi bilgi bankası kullanılarak sınanmış olması, bu çalışmanın diğer üstünlükleridir. Yaptığımız ön çalışmalar sonucunda Gradient Descent ve Cross-Entropy algoritmalarını sigmoid aktivasyon fonksiyonu ile kullanmanın en iyi performansı verdiğini gördük. Önerdiğimiz katmanlı sinir ağı modelimizde, girdi ve çıktı dahil 5 katman mevcuttur. Sırasıyla, her katmanda 2, 32, 32, 128, ve 1 düğüm mevcuttur. Bu katmanlar arasında, yine sırasıyla 32, 16, 128, ve 1 adet bağlantı mevcuttur. Öğrenme katsayısı olarak 0.1 değerini kullandık.Sinir ağının çıktısında göğüs tüpünün opak çizgisine karşılık gelen bir eğri oluşması amaçlanmaktadır. Ancak çoğu zaman bu eğri kesintisiz ve gürültüsüz elde edilemediğinden, çıktı resmi üzerine otomatik olarak nonuniform rational b-spline eğrisi oturtularak, kesintisiz ve gürültüsüz bir eğri elde edilmesi amaçlanmaktadır. Bu eğri oturtma işlemi için gereken kontrol noktaları, mevcut çıktı üzerindeki en belirgin nokta üzerinde ilerlenirken rastlanılan küçük boşlukların eğrinin istikameti yönünde atlanarak geçilmesi ile seçilmektedir. Bu şekilde aynı zamanda eğri üzerinde olmayan gürültülerden de kurtulunmuş olunur. Kontrol noktalarının sayısını sınırlamak amacıyla, 36 noktada bir nokta seçilmektedir. Modelin performansını piksel tabanlı ROC analizi ile test ettik. Herbir gerçek pozitif, gerçek negatif, hatalı pozitif, hatalı negatif sayıldı ve ortalama accuracy, sensitivity, specificity, yüzdelerini hesaplamak için kullanıldı. Sonuç olarak % 99.99 doğruluk (accuracy), % 59 hassasiyet(sensitivity), % 99.99 özgünlük(specificity) değerleri elde edildi.

We propose an approach to train a Convolutional Neural Network (CNN) to detect chest tubes present on radiographs. To better detect the chest tube skeleton as the final output, non-uniform rational B-spline (NURBS) curves are used to automatically fit to the CNN output. This is the first study conducted to automatically detect artificial objects in the lung region of chest radiographs. Other automatic detection schemes work on the mediastinum.According to our initial tests, we decided to use the Gradient Descent and Cross-Entropy algorithms with a sigmoid activation function with 5 layers. Our final CNN architecture contains 2, 32, 32, 128, and 1 nodes for the successive layers. Between layers, there are 32, 16, 128, and 1 links for each node in the layers. After a series of tuning tests, the learning rate was selected as 0.1.We evaluated the performance of the model using a pixel-based ROC analysis. Each true positive, true negative, false positive and false negative pixel is counted and used for calculating average accuracy, sensitivity, and specificity percentages. The results were 99.99 % accuracy, 59 % sensitivity, and 99.99 % specificity.