liu.seSök publikationer i DiVA
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • oxford
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Managing imbalanced training data by sequential segmentation in machine learning
Linköpings universitet, Institutionen för medicinsk teknik, Avdelningen för medicinsk teknik.
2019 (Engelska)Självständigt arbete på avancerad nivå (masterexamen), 20 poäng / 30 hpStudentuppsats (Examensarbete)
Abstract [en]

Imbalanced training data is a common problem in machine learning applications. Thisproblem refers to datasets in which the foreground pixels are significantly fewer thanthe background pixels. By training a machine learning model with imbalanced data, theresult is typically a model that classifies all pixels as the background class. A result thatindicates no presence of a specific condition when it is actually present is particularlyundesired in medical imaging applications. This project proposes a sequential system oftwo fully convolutional neural networks to tackle the problem. Semantic segmentation oflung nodules in thoracic computed tomography images has been performed to evaluate theperformance of the system. The imbalanced data problem is present in the training datasetused in this project, where the average percentage of pixels belonging to the foregroundclass is 0.0038 %. The sequential system achieved a sensitivity of 83.1 % representing anincrease of 34 % compared to the single system. The system only missed 16.83% of thenodules but had a Dice score of 21.6 % due to the detection of multiple false positives. Thismethod shows considerable potential to be a solution to the imbalanced data problem withcontinued development.

Ort, förlag, år, upplaga, sidor
2019. , s. 68
Nationell ämneskategori
Medicinsk bildbehandling
Identifikatorer
URN: urn:nbn:se:liu:diva-155091ISRN: LIU-IMT-TFK-A–19/560–SEOAI: oai:DiVA.org:liu-155091DiVA, id: diva2:1296713
Ämne / kurs
Biomedicinsk laboratorievetenskap
Tillgänglig från: 2019-03-19 Skapad: 2019-03-17 Senast uppdaterad: 2019-03-19Bibliografiskt granskad

Open Access i DiVA

fulltext(9398 kB)136 nedladdningar
Filinformation
Filnamn FULLTEXT02.pdfFilstorlek 9398 kBChecksumma SHA-512
0f3ddbb0aa72607ac4ec0405a9416555d1f1ff4a5a7c332fb17c355ebaa6e4461860031246d347cb081afcc88ce6fba64032980039369c0fb1a6a82764ecbeed
Typ fulltextMimetyp application/pdf

Av organisationen
Avdelningen för medicinsk teknik
Medicinsk bildbehandling

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 136 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 1247 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • oxford
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf