Deep learning framework for infiltrative lung disease classification - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2018

Deep learning framework for infiltrative lung disease classification

Résumé

Infiltrative lung diseases enclose a large group of rreversible lung disorders which require regular follow-up with CT imaging. This paper addresses an automated quantitative assessment of different disorders based on lung texture classification. The proposed approach exploits a cascade of convolutional neural networks and a specific preprocessing of input data based on locally connected filtering. The classification targeting the whole lung parenchyma achieves an average of 84% accuracy (75.8% for normal, 90% for emphysema and fibrosis, 81.5% for ground glass)
Les pathologies pulmonaires diffuses représentent un large groupe de désordres irréversibles qui nécessitent un suivi régulier en imagerie TDM. Pour adresser ce besoin, ce papier propose une analyse quantitative de différentes formes pathologiques en s'appuyant sur une analyse de la texture pulmonaire. Cette analyse exploite une cascade de réseaux neuronaux convolutionnels combinée à un prétraitement spécifique des données par filtrage localement connexe. La classification cible la totalité du champ pulmonaire et atteint une précision moyenne de 84% (75.8% pour le tissu normal, 90% pour l'emphysème et fibrose et 81.5% pour le verre dépoli)
Fichier non déposé

Dates et versions

hal-01996001 , version 1 (28-01-2019)

Identifiants

  • HAL Id : hal-01996001 , version 1

Citer

Sebastian Tarando, Catalin Fetita, Young-Wouk Kim, Hyoun Cho, Pierre Yves Brillet. Deep learning framework for infiltrative lung disease classification. RFIAP 2018: Reconnaissance des Formes, Image, Apprentissage et Perception, Jun 2018, Marne La Vallée, France. pp.1 - 7. ⟨hal-01996001⟩
114 Consultations
0 Téléchargements

Partager

Gmail Facebook X LinkedIn More