Segmentation of Knee Joint Using 3D Convolutional Neural Networks
Abstract
Dyp læring teknikker har hatt økende popularitet for medisin-relaterte segmenterings oppgaver de siste årene. Denne studien bruker ett 3D konvolusjonelt nevralt nettverk (CNN) kalt nnU-Net, for å automatisk semantisk segmentere 13 klasser fra magnetisk resonans (MR) bilder av kneledd. Eksperimentering av forskjellige hyper-parametere er brukt for å forbedre nøyaktigheten til de opptrente modellene, og i prosessen lage en sammenligning av effekten av disse parametrene. Modeller var trent og evaluert på et treningsdatasett som bestod av 20 pasienter, og et valideringsdatasett som bestod av 5 pasienter, med tre forskjellige bilde-modaliteter for hver pasient. Evaluering av modellene fant at nnU-Net arkitekturen var i stand til å lage nøyaktige segmenteringer av kneleddet. Hyper-parameter eksperimenteringen fant at den eneste forbedringen var en liten økning i nøyaktighet, dersom "data augmentering" ble tatt i bruk. Deep learning techniques have become increasingly popular for medical image segmentation tasks in recent years. This study utilises a 3D convolutional neural network (CNN) called nnU-Net, for the task of automatic semantic segmentation of 13 classes in magnetic resonance (MR) images of the knee joint. Experimentation of various hyper-parameters are used to improve the accuracy of the models, and in the process generate a comparison of the impact from the various hyper-parameters. Models were trained and evaluated on a training dataset consisting of 20 subjects and a validation dataset consisting of 5 subjects, with three different image modalities for each subject. Evaluation of the models found that the nnU-Net architecture was able to accurately segment the knee joint. Hyper-parameter experimentation found that the only improvement was a minor increase in accuracy when adding data augmentation to the model.