Ricerca avanzata

Purpose: One of the most time consuming work, related to medical image analysis, is the segmentation (contouring) of healthy and pathological tissues. This study aims to implement Deep Learning (DL) methods for the automatic segmentation of lungs and tumors. In order to aid the manual segmentation job of radiologists and/or to have a robust tool capable of contouring Computed Tomography (CT) images for radiomic studies. Methods: We developed an analysis pipeline based on a cascade of two Convolutional Neural Networks (CNN). The first one, based on AlexNet, is used for the identification of lungs in a total body CT image, a Bounding Box approach. The second one, nnU-Net, for the automatic segmentation of the lungs and tumors. In order to assess the best hyperparameters configuration, we trained the Bounding Box model on 17 different configurations, and chose the best one by taking into account the best combination of Volumetric Similarity Coefficient (vDSC), Mean Square Error (MSE) and Mean Absolute Error (MAE). Two datasets, public and private, were used to train and test the nnU-Net and then the predicted segmented masks were evaluated with different evaluation metrics, such as Volumetric Dice Similarity Coefficient (vDSC), Surface Dice Similarity Coefficient (sDSC), and Tversky index. Results: The best model for the Bounding Box prediction reached the following performances: vDSC= 0.91, MSE= 0.0007 and MAE=0.021. The best model for the nnU-Net has the following performances for lung segmentation: vDSC= 0.98, sDSC=0.96. While the same nnU-Net model reaches these performances for cancer lesion segmentation: and vDSC=0.71, sDSC=0.76, Tversky=0.72. We got good values of vDSC, so we can say that the training was successful and overfitting has not been reached. Conclusions: The combination of the two Neural Networks resulted in a robust lung and tumor lesion contouring system. Even though we had a limited amount of data, we obtained a result compatible with literature. Finally this work can be used as a solid base for future Artificial Intelligence (AI) related developments in medical diagnostics.

Scopo: Uno dei compiti più insidiosi dell'analisi delle immagini mediche è il contornamento, tecnicamente chiamato segmentazione, dei tessuti sani e patologici. L'obiettivo principale di questo lavoro di ricerca è l'implementazione di metodi basati sul Deep Learning per la segmentazione automatica dei polmoni e dei tumori polmonari, in modo che possono essere strumento di supporto alla segmentazione manuale dei radiologi e per lo studio radiomico. Metodi: Per raggiungere lo scopo di questa tesi, abbiamo allenato e testato due Reti Neurali Convoluzionali. La prima, basata su AlexNet, ha avuto come obiettivo l'identificazione dei polmoni in un'immagine CT total body. La rete è stata allenata 17 volte variando alcuni parametri caratteristici in modo da scegliere la configurazione migliore, tra i valori di coefficiente DICE, Mean Square Error e Mean Absolute Error. La seconda rete utilizzata è la nnU-Net per la segmentazione automatica dei polmoni e dei carcinomi polmonari. Abbiamo allenato e testato la rete con due datasets, uno pubblico e privato, e valutato le maschere di segmentazione predette dalla rete con le seguenti metriche di valutazione: coefficiente volumetrico e superficiale di Dice (vDSC e sDSC), e l'indice di Tversky. Risultati: Il modello con la migliore configurazione per la previsione delle Bounding Box ha raggiunto i seguenti risultati: vDSC= 0.91, MSE= 0.0007 and MAE=0.021. Per quanto riguarda invece i valori della nnU-Net riportiamo i valori del Train 3, che risultano essere quelli più performanti: vDSC=0.71, sDSC=0.76 , Tversky=0.72. Dai risultati ottenuti, è possibile sostenere che l'allenamento è andato a buon fine e non si è raggiunta condizione di overfitting. Conclusioni: La combinazione delle due reti neurali ha dato come risultato un solido sistema per la segmentazione dei polmoni e dei tumori. Pur avendo un numero di immagini limitato, abbiamo ottenuto dei risultati compatibili con la letteratura. Infine, questo lavoro potrebbe essere utilizzato per sviluppi futuri legati all'intelligenza artificiale (AI) nella diagnostica medica.

Implementazione di una Rete Neurale Convoluzionale basata su nnU-Net per la segmentazione automatica del carcinoma polmonare allenata su dati pubblici e privati

PANEBIANCO, SARA
2020/2021

Abstract

Purpose: One of the most time consuming work, related to medical image analysis, is the segmentation (contouring) of healthy and pathological tissues. This study aims to implement Deep Learning (DL) methods for the automatic segmentation of lungs and tumors. In order to aid the manual segmentation job of radiologists and/or to have a robust tool capable of contouring Computed Tomography (CT) images for radiomic studies. Methods: We developed an analysis pipeline based on a cascade of two Convolutional Neural Networks (CNN). The first one, based on AlexNet, is used for the identification of lungs in a total body CT image, a Bounding Box approach. The second one, nnU-Net, for the automatic segmentation of the lungs and tumors. In order to assess the best hyperparameters configuration, we trained the Bounding Box model on 17 different configurations, and chose the best one by taking into account the best combination of Volumetric Similarity Coefficient (vDSC), Mean Square Error (MSE) and Mean Absolute Error (MAE). Two datasets, public and private, were used to train and test the nnU-Net and then the predicted segmented masks were evaluated with different evaluation metrics, such as Volumetric Dice Similarity Coefficient (vDSC), Surface Dice Similarity Coefficient (sDSC), and Tversky index. Results: The best model for the Bounding Box prediction reached the following performances: vDSC= 0.91, MSE= 0.0007 and MAE=0.021. The best model for the nnU-Net has the following performances for lung segmentation: vDSC= 0.98, sDSC=0.96. While the same nnU-Net model reaches these performances for cancer lesion segmentation: and vDSC=0.71, sDSC=0.76, Tversky=0.72. We got good values of vDSC, so we can say that the training was successful and overfitting has not been reached. Conclusions: The combination of the two Neural Networks resulted in a robust lung and tumor lesion contouring system. Even though we had a limited amount of data, we obtained a result compatible with literature. Finally this work can be used as a solid base for future Artificial Intelligence (AI) related developments in medical diagnostics.
DIPARTIMENTO DI FISICA
SCIENZE FISICHE [08408]
2020
Implementation of nnU-Net: a Convolutional Neural Network for automatic segmentation of lung cancer trained on public and private data
Scopo: Uno dei compiti più insidiosi dell'analisi delle immagini mediche è il contornamento, tecnicamente chiamato segmentazione, dei tessuti sani e patologici. L'obiettivo principale di questo lavoro di ricerca è l'implementazione di metodi basati sul Deep Learning per la segmentazione automatica dei polmoni e dei tumori polmonari, in modo che possono essere strumento di supporto alla segmentazione manuale dei radiologi e per lo studio radiomico. Metodi: Per raggiungere lo scopo di questa tesi, abbiamo allenato e testato due Reti Neurali Convoluzionali. La prima, basata su AlexNet, ha avuto come obiettivo l'identificazione dei polmoni in un'immagine CT total body. La rete è stata allenata 17 volte variando alcuni parametri caratteristici in modo da scegliere la configurazione migliore, tra i valori di coefficiente DICE, Mean Square Error e Mean Absolute Error. La seconda rete utilizzata è la nnU-Net per la segmentazione automatica dei polmoni e dei carcinomi polmonari. Abbiamo allenato e testato la rete con due datasets, uno pubblico e privato, e valutato le maschere di segmentazione predette dalla rete con le seguenti metriche di valutazione: coefficiente volumetrico e superficiale di Dice (vDSC e sDSC), e l'indice di Tversky. Risultati: Il modello con la migliore configurazione per la previsione delle Bounding Box ha raggiunto i seguenti risultati: vDSC= 0.91, MSE= 0.0007 and MAE=0.021. Per quanto riguarda invece i valori della nnU-Net riportiamo i valori del Train 3, che risultano essere quelli più performanti: vDSC=0.71, sDSC=0.76 , Tversky=0.72. Dai risultati ottenuti, è possibile sostenere che l'allenamento è andato a buon fine e non si è raggiunta condizione di overfitting. Conclusioni: La combinazione delle due reti neurali ha dato come risultato un solido sistema per la segmentazione dei polmoni e dei tumori. Pur avendo un numero di immagini limitato, abbiamo ottenuto dei risultati compatibili con la letteratura. Infine, questo lavoro potrebbe essere utilizzato per sviluppi futuri legati all'intelligenza artificiale (AI) nella diagnostica medica.
Lauree Magistrali
File in questo prodotto:
Non ci sono file associati a questo prodotto.

È consentito all'utente scaricare e condividere i documenti disponibili a testo pieno in UNITESI UNIPV nel rispetto della licenza Creative Commons del tipo CC BY NC ND.
Per maggiori informazioni e per verifiche sull'eventuale disponibilità del file scrivere a: unitesi@unipv.it.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.14239/14214