Segmentasi gambar radiografi medis tiga dimensi (3D) menggunakan deep learning network adalah tugas yang menantang karena kurangnya set data gambar medis 3D dan kebenaran dasarnya, keterbatasan memori dan masalah set data yang tidak seimbang. Dalam tulisan ini, kami mengusulkan deep learning network untuk segmentasi gambar radiografi medis 3D.
Multi projection network yang diusulkan dapat menghemat sumber memori dengan menerapkan kernel dua dimensi (2D) sambil tetap mendapatkan informasi 3D dari gambar dengan memasukkan irisan dari proyeksi planar berbeda dari gambar 3D untuk mencapai hasil segmentasi yang baik. Network yang diusulkan menggunakan fungsi biaya tertimbang untuk mengatasi masalah kumpulan data yang tidak seimbang dan memperkenalkan bobot adaptif yang mempertimbangkan probabilitas setiap kelas dalam gambar.
Hasil studi ini menunjukkan bahwa Multi projection deep learning network yang diusulkan dapat menghasilkan sensitivitas tertinggi (true positive rate) dibandingkan dengan arsitektur lain meskipun ada ketidakseimbangan kelas tinggi dalam kumpulan data dan sejumlah kecil training data.
Penulis:
Dr. Eha Renwi Astuti, drg., M.Kes., Sp.RKG(K)
Informasi detail dari riset ini dapat dilihat pada tulisan kami di
https://www.sciencedirect.com/science/article/pii/S0167865519302168
Tulisan kami dapat disitasi pada berikut ini:
Indraswari R, Kurita T, Arifin AZ, Suciati N, Astuti ER. Multi-projection deep learning network for segmentation of 3D medical images. Pattern Recognition Letters 125 (2019) : 791-797
