Computer-aided diagnosis of digital chest X-ray (CXR) images critically depends on the automated segmentation of the lungs, which is a challenging problem due to the presence of strong edges at the rib cage and clavicle, the lack of a consistent lung shape among different individuals, and the appearance of the lung apex. From recently published results in this area, hybrid methodologies based on a combination of different techniques (e.g., pixel classification and deformable models) are producing the most accurate lung segmentation results. In this paper, we propose a new methodology for lung segmentation in CXR using a hybrid method based on a combination of distance regularized level set and deep structured inference. This combination brings together the advantages of deep learning methods (robust training with few annotated samples and top-down segmentation with structured inference and learning) and level set methods (use of shape and appearance priors and efficient optimization techniques). Using the publicly available Japanese Society of Radiological Technology (JSRT) dataset, we show that our approach produces the most accurate lung segmentation results in the field. In particular, depending on the initialization used, our methodology produces an average accuracy on JSTR that varies from 94.8% to 98.5%

چکیده

تشخیص تصاویر X-ray دیجیتال سینه به کمک کامپیوتر (CXR) به قسمت بندی خودکار ریه ها بستگی دارد که به خاطر وجود لبه های قوی در قفسه سینه و ترقوه و نبود یک شکل ریه ثابت در بین افراد، و ظاهر راس ریه مساله چالش برانگیزی است. از بین نتایجی که اخیرا در این زمینه منتشر شده اند، روش های ترکیبی مبتنی بر ترکیبی از تکنیک های مختلف (طبقه بندی پیکسل و مدل های دگردیس پذیر) دقیق ترین نتایج قسمت بندی ریه را تولید کرده اند. در این مقاله، یک روش جدید برای قسمت بندی ریه در CXR با استفاده از روش ترکیبی مبتنی بر ترکیبی از مجموعه رویه منظم شده فاصله و استنتاج ساختار یافته عمیق ارائه می کنیم. این روش مزایای هر دو روش یادگیری عمیق (آموزش قدرتمند با تعداد کمی نمونه های مشروح و قسمت بندی بالا-پایین با استنتاج ساختاریافته و یادگیری) و روش مجموعه رویه (استفاده از شکل و ظاهر و تکنیک های بهینه سازی کارآمد) را دارد. با استفاده از مجموعه دادهJapanese Society of Radiological Technology که در دسترس عموم می باشد، نشان می دهیم که روش ما دقیق ترین نتایج قسمت بندی ریه را در این زمینه تولید می کند. به ویژه، بسته به مقداردهی مورد استفاده، روش ما میانگین دقتی که روی مجموعه داده JSTR تولید می کند از 94.8% تا 98.5% تغییر می کند. 

1-مقدمه

قسمت بندی خودکار مرزهای ریه از روی X-ray دیجیتال قفسه سینه (CXR) یکی از مراحل اصلی در تشخیص کامپیوتری (CAD) سلامت ریه می باشد [1]. مرزهای ریه را می توان برای محاسبه حجم ریه یا تخمین بی نظمی های شکل استفاده می شود [2]، اما به عنوان یکی از مراحل سیستم های مختلف CAD هم استفاده می شود [6]...