Publikation: Endometriosis detection and localizatio...
Stammdaten
Titel: | Endometriosis detection and localization in laparoscopic gynecology |
Untertitel: | |
Kurzfassung: | Endometriosis is a common gynecologic condition typically treated via laparoscopic surgery. Its visual versatility makes it hard to identify for non-specialized physicians and challenging to classify or localize via computer-aided analysis. In this work, we take a first step in the direction of localized endometriosis recognition in laparoscopic gynecology videos using region-based deep neural networks Faster R-CNN and Mask R-CNN. We in particular use and further develop publicly available data for transfer learning deep detection models according to distinctive visual lesion characteristics. Subsequently, we evaluate the performance impact of different data augmentation techniques, including selected geometrical and visual transformations, specular reflection removal as well as region tracking across video frames. Finally, particular attention is given to creating reasonable data segmentation for training, validation and testing. The best performing result surprisingly is achieved by randomly applying simple cropping combined with rotation, resulting in a mean average segmentation precision of 32.4% at 50-95% intersection over union overlap (64.2% for 50% overlap). |
Schlagworte: | Endometriosis segmentation, Lesion detection, Deep learning |
Publikationstyp: | Beitrag in Zeitschrift (Autorenschaft) |
Erscheinungsdatum: | 07.01.2022 (Online) |
Erschienen in: |
Multimedia Tools and Applications
Multimedia Tools and Applications
(
)
zur Publikation |
Titel der Serie: | - |
Bandnummer: | 81 |
Heftnummer: | 5 |
Erstveröffentlichung: | Ja |
Version: | - |
Seite: | S. 6191 - 6215 |
Versionen
Keine Version vorhanden |
Erscheinungsdatum: | 07.01.2022 |
ISBN (e-book): | - |
eISSN: | 1573-7721 |
DOI: | http://dx.doi.org/10.1007/s11042-021-11730-1 |
Homepage: | https://link.springer.com/article/10.1007/s11042-021-11730-1 |
Open Access |
|
Erscheinungsdatum: | 02.2022 |
ISBN: | - |
ISSN: | 1380-7501 |
Homepage: | https://link.springer.com/article/10.1007/s11042-021-11730-1 |
AutorInnen
Andreas Leibetseder (intern) | ||||
Klaus Schöffmann (intern) | ||||
Jörg Keckstein
|
||||
Simon Keckstein (extern) |
Zuordnung
Organisation | Adresse | ||||
---|---|---|---|---|---|
Fakultät für Technische Wissenschaften
Institut für Informationstechnologie
|
AT - 9020 Klagenfurt am Wörthersee |
Kategorisierung
Sachgebiete | |
Forschungscluster | Kein Forschungscluster ausgewählt |
Zitationsindex |
Informationen zum Zitationsindex: Master Journal List
|
Peer Reviewed |
|
Publikationsfokus |
Klassifikationsraster der zugeordneten Organisationseinheiten:
|
Arbeitsgruppen |
|
Kooperationen
Organisation | Adresse | ||||
---|---|---|---|---|---|
Universität Ulm
|
DE
- 89069
Ulm |
||||
Ludwig-Maximilians-Universität
|
DE - 80333 München |
Forschungsaktivitäten
(Achtung: Externe Aktivitäten werden im Suchergebnis nicht mitangezeigt)
Projekte: |
|
Publikationen: | Keine verknüpften Publikationen vorhanden |
Veranstaltungen: | Keine verknüpften Veranstaltung vorhanden |
Vorträge: | Keine verknüpften Vorträge vorhanden |