In recent years, image segmentation by using deep neural networks has made great progress. However, reaching a good result by training with a small amount of data remains to be a challenge. To find a good way to improve the accuracy of segmentation with limited datasets, we implemented a new automatic chest radiographs segmentation experiment based on preliminary works by Chunliang using deep learning neural network combined with shape context information. When the process was conducted, the datasets were put into origin U-net at first. After the preliminary process, the segmented images were then repaired through a new network with shape context information. In this experiment, we created a new network structure by rebuilding the U-net into a 2-input structure and refined the processing pipeline step. In this proposed pipeline, the datasets and shape context were trained together through the new network model by iteration. The proposed method was evaluated on 247 posterior-anterior chest radiographs of public datasets and n-folds cross-validation was also used. The outcome shows that compared to origin U-net, the proposed pipeline reaches higher accuracy when trained with limited datasets. Here the "limited" datasets refer to 1-20 images in the medical image field. A better outcome with higher accuracy can be reached if the second structure is further refined and shape context generator's parameter is fine-tuned in the future. / Under de senaste åren har bildsegmentering med hjälp av djupa neurala nätverk gjort stora framsteg. Att nå ett bra resultat med träning med en liten mängd data kvarstår emellertid som en utmaning. För att hitta ett bra sätt att förbättra noggrannheten i segmenteringen med begränsade datamängder så implementerade vi en ny segmentering för automatiska röntgenbilder av bröstkorgsdiagram baserat på tidigare forskning av Chunliang. Detta tillvägagångssätt använder djupt lärande neurala nätverk kombinerat med "shape context" information. I detta experiment skapade vi en ny nätverkstruktur genom omkonfiguration av U-nätverket till en 2-inputstruktur och förfinade pipeline processeringssteget där bilden och "shape contexten" var tränade tillsammans genom den nya nätverksmodellen genom iteration.Den föreslagna metoden utvärderades på dataset med 247 bröströntgenfotografier, och n-faldig korsvalidering användes för utvärdering. Resultatet visar att den föreslagna pipelinen jämfört med ursprungs U-nätverket når högre noggrannhet när de tränas med begränsade datamängder. De "begränsade" dataseten här hänvisar till 1-20 bilder inom det medicinska fältet. Ett bättre resultat med högre noggrannhet kan nås om den andra strukturen förfinas ytterligare och "shape context-generatorns" parameter finjusteras.

<p dir="ltr">Generating images from training samples solves the challenge of imbalanced data. It provides the necessary data to run machine learning algorithms for image classification, anomaly detection, and pattern recognition tasks. In medical settings, having imbalanced data results in higher false negatives due to a lack of positive samples. Generative Adversarial Networks (GANs) have been widely adopted for image generation. GANs allow models to train without computing intractable probability while producing high-quality images. However, evaluating GANs has been challenging for the researchers due to a need for an objective function. Most studies assess the quality of generated images and the variety of classes those images cover. Overfitting of training images, however, has received less attention from researchers. When the generated images are mere copies of the training data, GAN models will overfit and will not generalize well. This study examines the ability to detect overfitting of popular metrics: Maximum Mean Discrepancy (MMD) and Fréchet Inception Distance (FID). We investigate the metrics on two types of data: handwritten digits and chest x-ray images using Analysis of Variance (ANOVA) models.</p>

The use of AI in the medical field is becoming more widespread, and research on its various applications is very popular. In biomedical image analysis, Convolutional Neural Networks (CNN), which are specialized in image processing, can analyze X-rays and detect signs of different diseases. However, to achieve that, CNNs require vast amounts of X-ray images with labels specifying the disease (labeled training data), which is not always available. One method to overcome this obstacle is the use of data augmentation. Data augmentation is manipulating images through flipping, rotating, or changing the saturation or brightness, among other methods. The purpose is to increase and diversify the training data to make the CNN model more robust. Our study aims to investigate the effects of different data augmentation techniques on the performance of a CNN model in detecting Pneumothorax. After fine-tuning our CNN model’s hyper-parameters, three data augmentation methods (color, geometric, and noise) and their combinations were applied to our model. We then tested and compared the effects of each data augmentation method on the accuracy of our model. Our study concluded that color augmentation performed the best compared to the other augmentation methods, while geometric augmentation had the worst performance. However, none of the augmentation methods significantly improved the original model’s performance, which can be attributed to the model’s configuration of hyper-parameters, leaving no room for improvement. / Användningen av AI inom det medicinska området blir mer utbredd och forskning om dess olika tillämpningar är mycket populär. Inom biomedicinsk bildanalys kan Convolutional Neural Networks (CNN), som är specialiserade på bildbehandling, analysera röntgenstrålar och upptäcka tecken på olika sjukdomar. Men för att uppnå det kräver CNN stora mängder röntgenbilder med etiketter som anger sjukdomen (märkta träningsdata), vilket inte alltid är tillgängligt. En metod för att övervinna detta hinder är användningen av dataförstärkning. Dataförstärkning är att manipulera bilder genom att bläddra, rotera eller ändra mättnad eller ljusstyrka, bland andra metoder. Syftet är att öka och diversifiera träningsdata för att göra CNN-modellen mer robust. Vår studie syftar till att undersöka effekterna av olika dataförstärkningstekniker på prestandan hos en CNN-modell vid detektering av pneumothorax. Efter att ha finjusterat vår CNN-modells hyperparametrar, tillämpades tre dataförstärkningsmetoder (färg, geometrisk och brus) och deras kombinationer på vår modell. Vi testade och jämförde sedan effekterna av varje dataförstärkningsmetod på noggrannheten i vår modell. Vår studie drog slutsatsen att färgförstärkning presterade bäst jämfört med andra förstärkningsmetoder, medan geometrisk förstärkning hade sämst prestanda. Ingen av förstärkningsmetoderna förbättrade dock den ursprungliga modellens prestanda avsevärt, vilket kan tillskrivas modellens konfiguration av hyperparametrar, vilket inte lämnar något utrymme för förbättringar.

Ziel: Die Studie zielte auf die Beurteilung von klinischer Information und Röntgenthorax jeweils alleine und in Kombination für Unterscheidung der invasiven pulmonalen Aspergillose von seinen pulmonalen Differentialdiagnosen. Design: Zur Evaluierung der diagnostischen Leistungen wurde eine Receiver Operating Characteristic Studie angewandt. Methodik: Die diagnostischen Leistungen der alleinigen Klinik, des alleinigen Röntgenthorax und der Kombination von Klinik und Röntgenthorax wurden ermittelt. An der Studie nahmen jeweils acht mit Aspergillose erfahrene Internisten und Radiologen teil. Dazu wurde eine aus 25 gesicherten Fällen mit Aspergillose und 25 differentialdiagnostischen Fällen bestehende Sammlung zusammengestellt. Die Fälle der multizentrischen Studie wurden verblindet, randomisiert und auf einer Fall-CD-ROM präsentiert. Ergebnisse: Die Internisten erreichten mittels alleiniger Klinik die höchste diagnostische Leistung und sie zeigten die größte Variabilität in ihrer Gruppe. Durch die zusätzliche Verfügbarkeit von Röntgenbildern, veränderte sich ihre diagnostische Leistung nicht. Die Radiologen konnten durch zusätzlich zum Röntgenthorax verfügbare klinische Informationen ihre diagnostische Leistung signifikant erhöhen. Schlussfolgerungen: Die klinischen Angaben hatten für die Differentialdiagnose der Aspergillose für Internisten und Radiologne eine hohen diagnostischen Wert. Radiologen brauchen deshalb einen kompletten Zugang zu den spezifischen klinischen Informationen. Der Röntgenthorax zeigte für die radiologisch charakteristischen Aspergillosen und für die Differentialdiagnosen eine hohe Aussagekraft. Als Basis in der diagnostischen Bildgebung sollte sich der Diagnostiker der Stärken und Limitationen dieser konventionellen Bildgebung bewußt sein. / Objective: The role of clinical information and chest film alone and combined for the discrimination between invasive pulmonary aspergillosis (IPA) and its differential diagnoses in human immunodeficiency virus (HIV) infection was studied. Design: Receiver operating characteristics (ROC) methodology was employed to determine separate diagnostic performances. Methods: The diagnostic performance of clinical information and chest film alone and in combination was studied separately for 8 internists and 8 radiologists with regular exposure to HIV and IPA patients. The multicenter ROC case sample consisted of 25 patients with proven IPA and 25 with other proven pulmonary disease entities typical for HIV. The cases were blinded, randomized and presented on a CD-ROM using HTML. Results: With clinical information alone internists achieved the highest diagnostic performance in the discrimination between IPA and its differential diagnoses. Viewing the chest films did not contribute to their performance. The radiologist's performance on the basis of viewing the chest film alone increased significantly when clinical information was supplied. Conclusion: For internists with regular exposure to HIV patients chest films do not provide information essential for the verification or differentiation of potential IPA. Radiologists with regular exposure to HIV patients need full access to the clinical data to reach a comparable performance. Chest films hold relevant information and contribute to the determination of cases with characteristic radiological appearance. Close cooperation between internists and radiologists is mandatory in challenging cases.

Das ARDS gilt, trotz verschiedenster Möglichkeiten der intensivmedizinischen Therapie, immer noch als die schwerste Form einer Lungenparenchymverletzung mit einer hohen Letalität. Zu Beginn der Erkrankung zeigt sich eine große Diskrepanz zwischen zunehmender Hypoxie und blandem Röntgen-Thorax-Befund. Die Röntgen-Thorax-Aufnahme bildet somit einen wichtigen diagnostischen Bestandteil. Die Kriterien einer einfachen Durchführung, guten Reproduzierbarkeit, hohen Aussagekraft und der Möglichkeit einer Verlaufsbeurteilung machen die Röntgen-Thorax-Liegendaufnahme zu einem wichtigen Bestandteil der intensivmedizinischen Diagnostik. Untersucht wurden retrospektiv 1575 Röntgen-Thorax-Aufnahmen von 33 Patienten mit dem Krankheitsbild des ARDS. Das Patientenkollektiv setzte sich aus 14 Frauen und 19 Männern im Alter von 12 bis 63 Jahren zusammen. Die Überlebensrate des untersuchten Patientenkollektives betrug 87,9%. Pro Patient wurden durchschnittlich 48 Röntgen-Thorax-Aufnahmen (zwischen 10 und 148 Aufnahmen) angefertigt. Die Aufnahmen wurden im Hinblick auf ihre Qualität, Strahlenexposition und ihre Übereinstimmung mit klinischen Parametern untersucht. Für die Beurteilung der Inter- und Intraobservervariabilität wurden verschiedenen Untersuchern 60 Röntgen-Thorax-Aufnahmen exemplarisch zur Bewertung vorgelegt. Aufgrund der schwierigen Aufnahmebedingungen bei Intensivpatienten sind verdrehte und verkippte Röntgen-Thorax-Aufnahmen nicht zu vermeiden. Trotz dieser Qualitätseinbußen ist ihr Informationsgehalt ein wichtiges Kriterium der intensivmedizinischen Diagnose und Therapie. Die Strahlenexposition der Röntgen-Thorax-Liegendaufnahmen und der daraus zu errechnende Lebenszeitverlust sind im Hinblick auf die Schwere und die hohe Letalität der Grunderkrankung als verschwindend gering zu betrachten. Die Röntgen-Scores nach Murray, Morel, Miniati, Rommelsheim und Ostendorf sind in der Diagnostik und Verlaufsbeurteilung des ARDS weit verbreitet. Sie sind in Handhabung und Gewichtung der Veränderungen jedoch sehr unterschiedlich. Zusammenhänge zwischen klinischen Parametern konnten für alle Scores, sowie für einen neuen Score beobachtet werden. Dabei ergaben sich für alle Scores ähnliche Beziehungen. Unter Berücksichtigung der Handhabung der einzelnen Röntgen-Scores, der Inter- und Intraobservervariabilität, sowie der Übereinstimmung mit klinischen Parametern sind der Röntgen-Score nach Rommelsheim, sowie der neue Röntgen-Score für den klinischen Alltag zu empfehlen. / Radiological Quantification of Chest X-Rays of the Lung Oedema of Patients with Adult Respiratory Distress Syndrome (ARDS) The ARDS is still regarded as the most serious form of lung parenchyma injury with a high lethality in spite of various possibilities of intensive care therapies. In the beginning of the illness a high discrepancy between an increasing hypoxia and a mostly inconspicouos chest X-ray result can be observed. Therefore, the chest X-ray forms an essential part of the diagnostic basis. It is characterized by simple implementation, a good reproducibility, a high meaningfulness and the possibility to judge the course of the illness. This makes the chest X-ray very valuable for the intensive care diagnosis. 1575 chest X-rays from 33 patients with ARDS symptoms were evaluated. The patients consisted of 14 women and 19 men between 12 and 63 years of age. The overall survival rate for all patients was 87.9%. An average of 48 (ranging from 10 to 148) chest X-rays were taken per patient. They were examined with regard to quality, radiation dose and correspondence to clinical variables. In order to judge the interobserver and intraobserver variability 60 chest X-rays were evaluated by different examiners. Due to the difficult conditions while taking the chest X-rays distorted and tilted chest X-rays cannot be avoided. Despite this loss of quality their content of information is an important criterion for the intensive care diagnosis and treatment. The loss of lifetime due to the radiation dose received can be ignored compared to the severeness and the high lethality of the basic illness. The chest X-ray scores according to Murray, Morel, Miniati, Rommelsheim and Ostendorf are commonly used for diagnostic purposes and to judge the course of the ARDS. However, their handling and their weightning of changes varies a lot. Correlations between all scores, a new score and the clinical variables were observed. All scores, including the new score, showed similar relations between the score ranking and the clinical variables. Considering the handling of the different chest X-ray scores, their interobserver and intraobserver variability and their correlation to clinical variables the chest X-ray score according to Rommelsheim and the new score can be recommended for daily use.