AI Summary & Key Takeaways
AI InsightExperimental results demonstrate that the dual-channel configuration, combined with augmentation, achieves classification accuracy of up to 0.99 with balanced sensitivity and specificity for ResNet-based models, substantially outperforming single-channel baselines.
📌 3 Key Takeaways
Abstract
Automated detection of cardiomegaly in chest radiographs remains challenging when classification frameworks are optimized to detect multiple thoracic pathologies simultaneously. To address this limitation, this study proposes a dual-channel transfer learning framework for binary cardiomegaly classification. The framework is evaluated on a subset of the PadChest dataset consisting of 1,413 posteroanterior chest radiographs with radiologist-verified ground-truth annotations. The proposed framework employs a dual-channel input configuration in which the first channel represents the original grayscale radiograph, while the second channel incorporates expert-annotated cardiac region masks. This design enables the simultaneous extraction of global radiographic features and spatially localized pathological information. Transfer learning was applied across a systematic set of deep architectures, including ResNet and DenseNet variants as well as Vision Transformer–based models. The effects of structured preprocessing techniques—including CLAHE, gamma correction, and negative transformation—together with online data augmentation strategies were systematically evaluated across all architectures. Experimental results demonstrate that the dual-channel configuration, combined with augmentation, achieves classification accuracy of up to 0.99 with balanced sensitivity and specificity for ResNet-based models, substantially outperforming single-channel baselines. These findings establish a reproducible methodological framework for spatially guided cardiomegaly detection and provide a clinically validated benchmark for future comparative studies.
Özet
Özet Göğüs radyografilerinde kardiyomegali tespiti, sınıflandırma sistemleri aynı anda birden fazla torasik patolojiyi saptamak üzere optimize edildiğinde zorluğunu korumaktadır. Bu sınırlılığı gidermek adına, bu çalışma ikili kardiyomegali sınıflandırması için çift kanallı bir aktarımlı öğrenme çerçevesi önermektedir. Önerilen model, PadChest veri setinin radyologlar tarafından doğrulanmış yer gerçekliği etiketlerine sahip 1.413 posteroanterior göğüs radyografisinden oluşan bir alt kümesi üzerinde değerlendirilmiştir. Önerilen çerçeve, birinci kanalın orijinal gri tonlamalı radyografiyi, ikinci kanalın ise uzmanlarca etiketlenmiş kardiyak bölge maskelerini temsil ettiği çift kanallı bir girdi konfigürasyonu kullanmaktadır. Bu tasarım, küresel radyografik özelliklerin ve mekânsal olarak yerelleştirilmiş patolojik bilgilerin eş zamanlı olarak çıkarılmasını sağlamaktadır. Aktarımlı öğrenme süreci; ResNet ve DenseNet varyantlarının yanı sıra Vision Transformer tabanlı modelleri de kapsayan sistematik bir derin mimari seti üzerinde uygulanmıştır. CLAHE, gama düzeltmesi ve negatif transformasyon gibi yapılandırılmış ön işleme tekniklerinin yanı sıra çevrimiçi veri artırma stratejilerinin etkileri tüm mimarilerde sistematik olarak analiz edilmiştir. Deneysel sonuçlar; veri artırma ile birleştirilen çift kanallı konfigürasyonun, ResNet tabanlı modellerde dengeli duyarlılık ve özgüllük oranlarıyla 0,99 düzeyine ulaşan bir sınıflandırma doğruluğu sağladığını ve tek kanallı temel modellerden önemli ölçüde daha iyi performans gösterdiğini kanıtlamaktadır. Bu bulgular, mekânsal olarak yönlendirilmiş kardiyomegali tespiti için tekrarlanabilir bir metodolojik çerçeve oluşturmakta ve gelecekteki karşılaştırmalı çalışmalar için klinik olarak doğrulanmış bir kıyaslama noktası sunmaktadır.