Bibliographic Metadata

Title
Convolutional neural networks for bone lesion detection in medical imaging data / von Matthias Perkonigg
Additional Titles
Detecting Bone Lesions in Multiple Myeloma Patients using Convolutional Neural Networks
AuthorPerkonigg, Matthias
CensorLangs, Georg ; Sablatnig, Robert
PublishedWien, 2018
Descriptionxiii, 102 Seiten : Illustrationen
Institutional NoteTechnische Universität Wien, Diplomarbeit, 2018
Annotation
Zusammenfassung in deutscher Sprache
LanguageEnglish
Document typeThesis (Diplom)
Keywords (DE)Convolutional Neural Networks; Medical Imaging; bone lesions; MRI
Keywords (EN)Convolutional Neural Networks; Medical Imaging; bone lesions; MRI
URNurn:nbn:at:at-ubtuw:1-111083 Persistent Identifier (URN)
Restriction-Information
 The work is publicly available
Files
Convolutional neural networks for bone lesion detection in medical imaging data [6.04 mb]
Links
Reference
Classification
Abstract (German)

Multiples Myelom ist eine Krebsart des blutbildenden Plasmas. Eines der Symptome das zur Diagnose und Einstufung von Patienten herangezogen wird sind Knochenläsionen. Diese Läsionen können mit Methoden der medizinischen Bildgebung sichtbar gemacht werden. Eine automatische Detektion der Knochenläsionen führt zu frühzeitiger Erkennung und Behandlung. In dieser Arbeit wird eine Methode beschrieben, die durch multiples Myelom ausgelöste Läsionen in Computed Tomography und Magnetresonanz Bildern erkennt. Die Methode basiert auf Convolutional Neural Networks und das Konzept von Transfer Learning wird verwendet um Wissen, welches von natürlichen Bildern extrahiert wird, dazu zu verwenden um die Erkennung von Läsionen zu vereinfachen. Eine Methode um Ausschnitte mit drei Bildkanälen zu extrahieren wird vorgestellt. Diese Methode legt den Fokus jedes Kanals auf eine andere Information des medinzinischen Bilds. Ein Ansatz um Läsionen in Ganzkörperaufnahmen zu detektieren wird in dieser Arbeit vorgestellt. Die Methoden werden auf 25 Computed Tomography und 25 Magnetresonanz-Volumen, in denen Läsionen annotiert sind, trainiert und evaluiert. Die Arbeit beinhaltet außerdem eine qualitative Analyse der Detektionsmethode. Die Resultate zeigen, dass die Erkennung von Läsionen in neuen Ganzkörperbildern möglich ist. Allerdings zeigt sich, dass die Anzahl an Fehldetektionen hoch ist. Die Gründe dafür werden im Zuge der Arbeit diskutiert. Transfer Learning und auch der Ansatz der Extrahierung von Bildausschnitten in drei Kanäle verbessern die Ergebnisse der Methode.

Abstract (English)

Multiple Myeloma is a type of cancer in plasma cells. One of the symptoms used for diagnosing and staging Multiple Myeloma patients are bone lesions that are visible in medical imaging scans. Automatic detection of bone lesions leads to earlier detection and treatment. In this thesis an approach to detect bone lesions caused by Multiple Myeloma in computed tomography and magnetic resonance imaging is described. The method uses a convolutional neural network to detect lesions. Transfer learning is used to transfer knowledge from a natural image task to the task of detecting bone lesions in medical images. A three channel patch extraction method, in which each input channel of the network focuses on different parts of the information encoded in the medical image, is introduced. A sliding window approach is used in the thesis to detect lesions in whole body scans. The method is trained and evaluated on a set of 25 computed tomography and 25 magnetic resonance volumes with annotated bone lesions. A qualitative analysis of the volume parsing approach is carried out. Results show that it is possible to detect lesions in new whole body scans. However, numerous false positives are also detected and reasons for this misclassifications are analyzed. Transfer learning improves the results of the thesis and also the three channel patch extraction is a valuable addition to the method.

Stats
The PDF-Document has been downloaded 51 times.