Detecting anomalies in chest x-ray images with the help of deep machine learning using image preprocessing for lung segmentation and bone removal

Abstract

В данной выпускной работе рассмотрены методы предварительной обработки рентгеновских снимков, такие как сегментация легких и фильтрация костной ткани ребер, и проведено сравнение качества классификации на наборах данных с разной степенью предобработки. Было произведено сравнение результатов данной работы с результатами работы статьи авторов Gordienko Yu., Gang P., Hui J. и др. Отличительной чертой данной работы можно считать использование набора снимков, содержащего значительно больший объем изображений, нежели тот, что использовали авторы статьи. Результаты показали, что применение методов предобработки рентгеновских снимков действительно положительно сказывается на качестве распознавания аномалий, повышая точность классификации, в лучшем случае, примерно на 30%. Таким образом, этап предварительной обработки изображений имеет большое значение при автоматизированном анализе рентгеновских снимков, а методы предобработки следует использовать для улучшения качества работы экспертных систем с целью облегчения работы врачей-рентгенологов. Структура работы представлена ведением, пятью главами, заключением и списком литературы. Данная выпускная квалификационная работа содержит 30 страниц, 4 таблицы, 11 рисунков. Для её написания использовано 13 источников.

In this graduation work methods for pre-processing chest X-ray images, such as lung segmentation and bone shadow exclusion, are examined and the classification quality is compared on data sets with different pre-treatment levels. Comparison of the results of this work with the results of the paper by Gordienko Yu., Gang P., Hui J. et al are made. A feature of this work can be considered the use of a set of images containing much larger volume of images than the one used by the authors of the paper. The results showed that the use of pre-processing methods for chest X-rays images has a positive effect on the quality of anomalies recognition, increasing the accuracy of classification at best about 30%. Thus, the preliminary image processing step is very important in the automated analysis of chest X-ray images, and the pre-treatment methods should be used to improve the quality of expert systems work in order to help radiologists. The structure of this work includes introduction, five chapters, conclusion and the bibliography. This graduation work contains 30 pages, 4 tables and 11 figures. The bibliography contains 13 sources.