StudentSká
vědecká konference 2018
Lokalizace jatern´ıch l´ez´ı v CT sn´ımc´ıch
Miroslav Bulka1
1 ´Uvod
V´yznamnou ´ulohou poˇc´ıtaˇcov´eho vidˇen´ı je segmentace obrazu, kter´a m´a velk´e vyuˇzit´ı v oblasti medic´ıny, a to napˇr´ıklad v ´uloze lokalizace jatern´ıch l´ez´ı v CT sn´ımc´ıch. C´ılem t´eto pr´ace bylo navrhnout a natr´enovat konvoluˇcn´ı neuronovou s´ıt’, kter´a by tuto ˇcinnost prov´adˇela automaticky. Bylo zapotˇreb´ı navrhnout takovou architekturu s´ıtˇe, kter´a by produkovala na sv˚uj v´ystup segmentaˇcn´ı mapu, kde je kaˇzd´y pixel zaˇrazen do jedn´e z definovan´ych tˇr´ıd.
2 Architektura SegNet
Pro takovouto s´emantickou segmentaci obrazu byla pouˇzita s´ıt’, kter´a se inspirovala ar- chitekturou SegNet, navrˇzenou v pr´aci Badrinarayanan et al. (2017). SegNet se skl´ad´a ze dvou ˇc´ast´ı, a to z enkod´eru a odpov´ıdaj´ıc´ıho dekod´eru, kter´y m´a vzhledem k enkod´eru zrca- dlovou strukturu. Enkod´er je zde tvoˇren pˇeti za sebou jdouc´ımi bloky obsahuj´ıc´ımi nˇekolik konvoluˇcn´ıch vrstev a na konci jednu max-pooling vrstvu. Navrhovan´a architektura byla zjed- noduˇsena tak, ˇze obsahovala pouze ˇctyˇri bloky a v kaˇzd´em z nich jen dvˇe konvoluˇcn´ı vrstvy s jednou vrstvou max-pooling. Bˇehem n´avrhu architektury bylo zkoum´ano pˇredevˇs´ım zorn´e pole v´ystupu. Jelikoˇz l´eze vyskytuj´ıc´ı se v tr´enovac´ıch datech byly r˚uzn´ych velikost´ı, bylo ˇz´adouc´ı, aby byla na v´ystup s´ıtˇe propagov´ana zorn´a pole odpov´ıdaj´ıc´ı ˇcasto zastoupen´ym veli- kostem l´ez´ı v datech. To bylo provedeno pˇripojen´ım v´ystup˚u vrstev s poˇzadovan´ymi zorn´ymi poli na vstup odpov´ıdaj´ıc´ıch vrstev dekod´eru (viz obr´azek 1). Tyto zp˚usoby spojen´ı, zvan´e skip
Obr´azek 1:Architektura s´ıtˇe se skip connections.
connections, byly nav´ıc obohaceny o konvoluˇcn´ı vrstvu s velikost´ı jader1×1, coˇz je principem tzv. inception modul˚u (viz Szegedy et al. (2015)). Tˇret´ım zp˚usobem bylo vyuˇz´ıt inception mo- dul o velikosti konvoluˇcn´ıch jader1×1i3×3, veden´ych paralelnˇe a zˇretˇezen´ych pˇred vstupem do vrstvy dekod´eru. Byly tedy testov´any tˇri architektury. Pro kaˇzdou z nich byla nav´ıc testov´ana varianta s pˇr´ıdavn´ymi dvˇema konvoluˇcn´ımi vrstvami pˇripojen´ymi na v´ystup dekod´eru.
1student navazuj´ıc´ıho studijn´ıho programu Aplikovan´e vˇedy a informatika, obor Kybernetika a ˇr´ıdic´ı technika, specializace Umˇel´a inteligence a biokybernetika, e-mail: bulkam@students.zcu.cz
34
3 Hodnot´ıc´ı metody
Pro porovn´ani v´ysledk˚u experiment˚u byla navrˇzena hodnot´ıc´ı metrika, kter´a pr˚umˇerovala tˇri hodnoty pravdˇepodobnosti, s jakou byl v´ysledn´y pixel s´ıt´ı zaˇrazen do dan´e tˇr´ıdy, pokud do t´eto tˇr´ıdy n´aleˇzel i ve skuteˇcnosti. C´ılem tedy bylo maximalizovat hodnotu t´eto m´ıryP. Pouze pro ´uˇcely porovn´an´ı s jin´ymi pracemi byly pro v´ysledky experiment˚u vyˇc´ısleny tak´e hodnoty recall, precision a FPC (False Positive per Case), spoˇcten´e metodou vyuˇz´ıvaj´ıc´ı Jaccard˚uv index, stejnˇe jako u PASCAL v´yzvy (viz Everingham et al. (2015)).
4 V´ysledky
Pro vˇsech ˇsest testovan´ych architektur byly testov´any tˇri r˚uzn´e optimalizaˇcn´ı metody, a to SGD, RMSprop a Adam. Ze vˇsech 18 experiment˚u vykazovala nejlepˇs´ı v´ysledky (P = 0.9380) architektura s´ıtˇe s inception moduly s velikostmi konvoluˇcn´ıch jader1×1i3×3a s pˇr´ıdavn´ymi dvˇema konvoluˇcn´ımi vrstvami pˇripojen´ymi na konec dekod´eru, pˇriˇcemˇz byl vyuˇzit optima- liz´ator Adam. Uk´azka porovn´an´ı skuteˇcn´e anotace s v´ystupem s´ıtˇe pro jeden z ˇrez˚u je k vidˇen´ı na obr´azku 2. Ohodnocen´ı v´ysledk˚u pomoc´ı Jaccardova indexu vedlo v pˇr´ıpadˇe nejlepˇs´ıho mo- delu k hodnot´am metrik FPC = 0.1493, recall= 0.6125a precision= 0.7226.
Obr´azek 2:Porovn´an´ı v´ystupu s´ıtˇe a skuteˇcn´e anotace. Modr´a barva pˇredstavuje zdravou jatern´ı tk´aˇn, zelen´a l´ezi a ˇcerven´a barva znaˇc´ı pozad´ı.
Podˇekov´an´ı
Medic´ınsk´a data byla poskytnuta Fakultn´ı nemocnic´ı v Plzni v r´amci smlouvy o spo- lupr´aci mezi FN Plzeˇn a Z ˇCU v Plzni. Veˇsker´a data byla anonymizov´ana, tj. zbavena veˇsker´ych osobn´ıch a citliv´ych ´udaj˚u (jm´eno, adresa, rodn´e ˇc´ıslo).
Tato pr´ace vznikla za podpory projekt˚u CERIT Scientific Cloud (LM2015085) a CESNET (LM2015042) financovan´ych z programu MˇSMT Projekty velk´ych infrastruktur pro VaVaI.
Literatura
Badrinarayanan, V., Kendall, A., Cipolla, R. (2017). Segnet: A deep convolutional encoder- decoder architecture for image segmentation.IEEE transactions on pattern analysis and ma- chine intelligence, 39(12), 2481-2495.
Everingham, Mark, et al. (2015) The pascal visual object classes challenge: A retrospective.
International journal of computer vision, 111.1: 98-136.
Szegedy, Christian, et al. (2015) Going deeper with convolutions. In:CVPR.
35
