Het classificeren van de beelden van de borstkaspathologie met behulp van diepliggende leertechnieken

Borströntgenfoto's zijn het meest voorkomende onderzoek in de radiologie van vandaag de dag. Ze zijn essentieel en zeer nuttig voor het toezicht op verschillende ziekten die gepaard gaan met een hoge mortaliteit en geven een breed scala aan potentiële informatie over verschillende ziekten weer. De meest voorkomende uitspraken bij röntgenfoto's van de borstkas zijn onder andere Tuberculose, Cardiomegalie & Mediastinum borstziekten. Het onderscheiden van de verschillende aandoeningen van de borstkas is een moeilijke taak, zelfs voor de menselijke waarnemer en voor de radioloog. Daarom is er interesse in het ontwikkelen van een computersysteemdiagnose om radiologen te helpen bij het machinaal lezen van borstbeelden. De gezonde versus pathologische detectie, d.w.z. Tuberculose en Cardiomegalie, werd onderzocht met behulp van Laplacian of Gaussian (LoG), Local Binary Patterns (LBP), Speed up Robust Features (SURF) en maakte ook gebruik van het Bag-of-Visual-Words (BoVW) model met behulp van Artificial Neural Network (ANN) & Deep Learning technieken die classificeert tussen gezonde versus pathologische gevallen.