Klasifikace veterinárních rentgenových snímků

Abstract

Tato práce představuje základ pro systém na detekci patologických nálezů ve veterinárních rentgenových snímcích, se zvláštním zaměřením na kardiomegalii u psů. Vzhledem k nedostatku veřejně dostupných veterinárních snímků, jsme sestavili databázi psích hrudních rentgenů pocházející z více zdrojů. Pro segmentaci srdečních siluet a hrudních obratlů a pro lokalizaci kariny a srdečního hrotu byl vyvinut model založený na architektuře U-Net, rozšířený o enkodér ResNeXt a specializovanou detekční hlavu pro klíčové body. Tyto komponenty společně umožňují automatizované měření Vertebral Heart Size (VHS). Navzdory omezené velikosti datasetu dosáhl navržený přístup na testovací sadě průměrné absolutní chyby 1,094 obratle při predikci VHS. Integrovaný klasifikátor kardiomegalie navíc vykázal až 77,8\% přesnost a 85,7\% citlivost. Kvalita segmentace byla hodnocena metrikou Intersection over Union (IoU), přičemž výsledky pro jednotlivé kanály dokládají schopnost modelu izolovat klíčové anatomické struktury. Experimentální výsledky naznačují, že rozsáhlejší datasety by mohly dále zlepšit jak diagnostickou přesnost, tak obecnou použitelnost navrženého systému.

This thesis presents a proof-of-concept system for detecting pathological findings in veterinary X-ray images, with a particular emphasis on canine cardiomegaly. Motivated by the scarcity of publicly available veterinary radiographs, we constructed a multi-source dataset of canine thoracic radiographs. A U-Net-based modelenhanced with a ResNeXt encoder and a dedicated keypoint detection headwas developed to segment cardiac silhouettes and thoracic vertebrae, as well as to locate the carina and apex of the heart. These components collectively enable the automated measurement of Vertebral Heart Size (VHS). Despite the limited size of the dataset, the proposed approach achieved a mean absolute error of 1.094 vertebrae on the test set for VHS prediction. Additionally, the integrated cardiomegaly classifier attained up to 77.8\% accuracy and 85.7\% sensitivity. Segmentation quality was evaluated via Intersection over Union (IoU), with per-channel scores showcasing the models capability to isolate critical anatomical landmarks. Experimental outcomes suggest that more extensive datasets could further enhance both diagnostic precision and the systems generalizability.