W niniejszej pracy przeprowadzono analizę porównawczą skuteczności detekcji guzów płucnych wykorzystując obrazy tomografii komputerowej oraz sinogramy. Dane badawcze pochodziły z bazy LIDC-IDRI, która zawiera obrazy tomograficzne płuc z wyraźnie zaznaczoną lokalizacją guzów, pochodzące od wielu pacjentów i uzyskane w różnych ośrodkach medycznych. Na podstawie obrazów tomograficznych wygenerowano sinogramy oraz maski guzów na sinogramach. Zbudowano i przetestowano różnorodne modele uczenia maszynowego oparte na architekturze U-Net z bazowym modelem Inceptionv-3. Badanie obejmowało model z losowo zainicjowanymi wagami, model z wagami wstępnie wytrenowanymi, wykorzystanie wag klasowych w procesie uczenia oraz strategię zamrażania wag w części kodera. Najwyższą efektywność wykazał model trenowany z wykorzystaniem wag klas i losowo inicjowanymi wagami, bez zamrażania wag kodera. Wybrany model porównano z wynikami uzyskanymi na modelu trenowanym bezpośrednio na obrazach tomografii komputerowej oraz zestawiono z danymi z literatury naukowej.
In this study, a comparative analysis of the effectiveness of lung tumor detection was performed using computed tomography images and sinograms. The research data came from the LIDC-IDRI database, which contains tomographic images of the lungs with clearly marked tumor locations, from many patients and obtained in various medical centers. Sinograms and tumor masks on sinograms were generated based on tomographic images. Various machine learning models based on the U-Net architecture with the Inceptionv-3 base model were built and tested. The study included a model with randomly initialized weights, a model with pre-trained weights, the use of class weights in the training process, and a weight freezing strategy in the encoder part. The highest efficiency was demonstrated by the model trained using class weights and randomly initialized weights, without freezing the encoder weights. The selected model was compared with the results obtained on a model trained directly on computed tomography images and compared with data from the scientific literature.
