Исследование и реализация метода синтеза вариационного автоэнкодера и генеративно-состязательных сетей в задачах создания новых медицинских данных

В работе рассматривается решение задачи синтеза новых медицинских данных. Для решения поставленной задачи используются такие интеллектуальные алгоритмы, как: вариацианный автоэнкодер, генеративно-состязательные сети, а также коллаборация данных методов. В результате исследования выявлены плюсы и минусы каждого рассматриваемого алгоритма. Реализованные модели использованы в качестве метода расширения исходной выборки для обучения моделей анализа данных.

Введение…………………………………………………………………………………………. 10
1 Литературный обзор…………………………………………………………………… 13

1.1 Синтетические данные ………………………………………………………. 13
1.2 Аугментация данных …………………………………………………………. 14
1.3 Интеллектуальные алгоритмы ……………………………………………. 15
1.4 Вариационный автоэнкодер ……………………………………………….. 16
1.5 Генеративно-состязательные сети………………………………………. 21

2 Содержательная постановка задачи ……………………………………………. 25
3 Концептуальная постановка задачи ……………………………………………. 28

3.1 Представление изображений в медицине ……………………………. 28
3.2 Формат медицинских изображений ……………………………………. 29
3.3 Числовой формат медицинских данных (аллергены) ………….. 29

4 Программная реализация ……………………………………………………………. 34

4.1 Выбор программного обеспечения …………………………………….. 34
4.2 Особенности программной реализации ………………………………. 36

4.2.1 Синтез числовых данных ……………………………………………….. 36
4.2.2 Синтез изображений ………………………………………………………. 38

5 Статистический анализ результатов ……………………………………………. 46

5.1 Синтез числовых данных …………………………………………………… 46
5.2 Синтез изображений ………………………………………………………….. 48

6 Финансовый менеджмент, ресурсоэффективность и
ресурсосбережение…………………………………………………………………………………… 52

6.1 Введение …………………………………………………………………………… 53
6.2 Предпроектный анализ ………………………………………………………. 54

6.2.1 Потенциальные потребители результатов исследования …. 54
6.2.2 SWOT анализ …………………………………………………………………. 54
6.2.3 Оценка проекта к коммерциализации……………………………… 56

6.3 Организация и планирование работ ……………………………………. 57

6.3.1 Продолжительность этапов работ …………………………………… 59
6.3.2 Разработка графика проведения научного исследования…. 59

6.4 Расчет сметы затрат на выполнение проекта ………………………. 65

6.4.1 Расчет затрат на материалы ……………………………………………. 65
6.4.2 Расчет заработной платы………………………………………………… 66
6.4.3 Расчет затрат на социальный налог ………………………………… 68
6.4.4 Расчет затрат на электроэнергию ……………………………………. 68
6.4.5 Расчет амортизационных расходов …………………………………. 69
6.4.6 Расчет расходов, учитываемых непосредственно на основе
платежных (расчетных) документов (кроме суточных)………………………. 71
6.4.7 Расчет прочих расходов …………………………………………………. 71
6.4.8 Расчет общей себестоимости проекта …………………………….. 72
6.4.9 Расчет прибыли ……………………………………………………………… 72
6.4.10 Расчет НДС ………………………………………………………………….. 73
6.4.11 Цена разработки ВКР …………………………………………………… 73

6.5 Оценка экономической эффективности проекта …………………. 73

6.5.1 Оценка научно-технического уровня НИР ……………………… 73

7 Социальная ответственность ………………………………………………………. 77

7.1 Введение …………………………………………………………………………… 79
7.2 Правовые и организационные вопросы обеспечения
безопасности ………………………………………………………………………………………… 80
7.3 Производственная безопасность ………………………………………… 82

7.3.1 Отклонение показателей микроклимата от нормы ………….. 83
7.3.2 Превышение уровня шума ……………………………………………… 86
7.3.3 Отсутствие или недостаток освещения …………………………… 86
7.3.4 Психофизиологические факторы (монотонность труда,
нервно-психические перегрузки, перенапряжение зрительных
анализаторов). …………………………………………………………………………………… 89
7.3.5 Поражение электрическим током …………………………………… 91

7.4 Обоснование мероприятий по снижению воздействия вредных
производственных факторов …………………………………………………………………. 91
7.5 Экологическая безопасность ……………………………………………… 92
7.6 Безопасность в чрезвычайных ситуациях …………………………… 93
7.7 Выводы по разделу «Социальная ответственность» ……………. 95

Заключение …………………………………………………………………………………….. 96
Список использованных источников литературы …………………………….. 98
Приложение I (справочное) …………………………………………………………… 101

В ходе выполнения выпускной квалификационной работы были
изучены алгоритмы синтеза данных, изучен принцип работы
интеллектуальных систем, проведен литературный обзор. Реализованы
следующие алгоритмы (интеллектуальные модели):

 Полносвязный автоэнкодер для восстановления числовых данных;
 Полносвязный вариационный автоэнкодер для синтеза числовых
данных;
 Полносвязный вариационный автоэнкодер для синтеза
изображений;
 Сверточный вариационный автоэнкодер для синтеза изображений;
 Сверточный вариационный автоэнкодер, с применением transfer
learning, для синтеза изображений;
 Генеративно-состязательная модель для синтеза изображений;
 Комбинированная модель для синтеза изображений;
Проведена сравнительная характеристика моделей на медицинских
данных. В задаче синтеза изображений выявлено, что наилучших показателей
достигает модель сверточного вариационного автоэнкодера с применением
предварительно обученной модели выделения признаков в качестве энкодера.
Данная модель имеет сравнительно высокую скорость обучения, достигает
«ожидаемого» качества даже в восстановлении изображения с наложением
шумов, а также обладает высокой степенью вариативности. В задаче синтеза
числовых данных, а именно влияние аллергенов на человека качественных
результатов достиг вариационный автоэнкодер, основанный на полносвязных
слоях.
Достигнутые показатели не являются предельными для данной работы.
Разработанные модели могут быть доработаны архитектурно, а также может
быть проведена оптимизация гипперпараметров. Стоит отметить, что уже на
данном этапе, реализованные модели справляются с поставленной задачей и
используются в качестве генерации данных, для последующей
классификации.

1.Hripcsak G. et al. Observational Health Data Sciences and Informatics
(OHDSI): opportunities for observational researchers //Studies in health
technology and informatics. – 2015. – Т. 216. – С. 574.
2.Tschannen M., Bachem O., Lucic M. Recent advances in autoencoder-
based representation learning //arXiv preprint arXiv:1812.05069. – 2018.
3.Krizhevsky A., Sutskever I., Hinton G. E. Imagenet classification with
deep convolutional neural networks //Advances in neural information processing
systems. – 2012. – Т. 25. – С. 1097-1105.
4.Pu Y. et al. VAE learning via Stein variational gradient descent
//arXiv preprint arXiv:1704.05155. – 2017.
5.Burgess C. P. et al. Understanding disentangling in $beta $-VAE
//arXiv preprint arXiv:1804.03599. – 2018.
6.Dai B., Wipf D. Diagnosing and enhancing VAE models //arXiv
preprint arXiv:1903.05789. – 2019.
7.Лаптев В. В. , Данилов В. В. Исследование вариационного
автоэнкодера для синтеза новых медицинских данных // Сборник избранных
статей научной сессии ТУСУР: В 2 частях. Часть 2, Томск, 25-27 Мая 2020. –
Томск: В-Спектр, 2020 – C. 64-67.
8.Zhao J., Mathieu M., LeCun Y. Energy-based generative adversarial
network //arXiv preprint arXiv:1609.03126. – 2016.
9.Лаптев В. В. , Данилов В. В. , Гергет О. М. Исследование
генеративно–состязательных сетей для синтеза новых медицинских данных =
Research of generative adversarial networks for the synthesis of new medical data
// Автоматизация и моделирование в проектировании и управлении. – 2020 –
№. 2 (8). – C. 17-23. doi: 10.30987/2658-6436-2020-2-17-23
10.Creswell A., Bharath A. A. Inverting the generator of a generative
adversarial network //IEEE transactions on neural networks and learning systems.
– 2018. – Т. 30. – №. 7. – С. 1967-1974.
11.Laptev V. V. , Gerget O. M. , Markova N. A. Generative models
based on VAE and GAN for new medical data synthesis // Studies in Systems,
Decision and Control. – 2021 – Vol. 333. – p. 217-226. doi: 10.1007/978-3-030-
63563-3_17.
12.Вихман В.В., Копысов П.Е. Медицинские изображения / Вихман
В.В., Копысов П.Е. – Новосибирск: Новосибирский государственный
технический университет, 2014. – 5 с.
13.Трудовой кодекс Российской Федерации от 30.12.2001 N 197- ФЗ
(ред. От 30.12.2015)
14.ГОСТ12.2.032-78 Системастандартовбезопасноститруда
(ССБТ). Рабочее место при выполнении работ сидя. Общие эргономические
требования.
15.ГОСТ 22269-76. Система “Человек-машина”. Рабочее место
оператора. Взаимное расположение элементов рабочего места. Общие
эргономические требования.
16.ГОСТ 12.0.003-2015 Опасные и вредные производственные
факторы. Классификация. Перечень опасных и вредных факторов.
17.СанПиН 2.2.4.548-96 Гигиенические требования к микроклимату
производственных помещений.
18.СанПиН 1.2.3685-21 Гигиенические нормативы и требования к
обеспечению безопасности и (или) безвредности для человека факторов среды
обитания.
19.СП 52.13330.2016 Естественное и искусственное освещение.
Актуализированная редакция СНиП 23-05-95.
20.ГОСТ 12.1.003-83 Система стандартов безопасности труда
(ССБТ). Шум. Общие требования безопасности.
21.СН 2.2.4/2.1.8.562-96. Шум на рабочих местах, в помещениях
жилых, общественных зданий и на территории жилой застройки.
22.ГОСТ 12.1.030-81 Система стандартов безопасности труда
(ССБТ). Электробезопасность. Защитное заземление. Зануление.
23.ГОСТ 26522-85 Короткие замыкания в электроустановках.
24.ГОСТ 12.1.038-82 Система стандартов безопасности труда
(ССБТ).Электробезопасность.Предельнодопустимыезначения
напряжений прикосновения и токов.
25.ГОСТ 12.1.004-91 Система стандартов безопасности труда
(ССБТ). Пожарная безопасность. Общие требования.
26.ГОСТ 17.4.3.04-85 Охрана природы (ССОП). Почвы. Общие
требования к контролю и охране от загрязнения.
27.ГОСТ Р 53692-2009 Ресурсосбережение. Обращение с отходами.
Этапы технологического цикла отходов.
28.НПБ 105-03 Определение категорий помещений, зданий и
наружных установок по взрывопожарной и пожарной опасности.
29.СНиП 21-01-97* Пожарная безопасность зданий и сооружений (с
Изменениями N 1, 2)