Применение искусственных нейронных сетей в задаче распознавания рентгеновских снимков

Прохорова Виктория Александровна
Бесплатно
В избранное
Работа доступна по лицензии Creative Commons:«Attribution» 4.0

Работа посвящена применению методов глубокого обучения в распознавании медицинских изображений. Медицинские изображения представляют собой набор рентгенографических снимков заболеваний грудной клетки. В работе разработана основанная на сверточной нейронной сети модель классификации легочных заболеваний. Модель позволяет классифицировать рентгенограмму к одному из 6 классов заболеваний, таких как ателектаз, инфильтрация легочной ткани, пневмоторакс, легочную массу и плевральный выпот. Также проведен анализ качества классификации для каждого из заболеваний.

Значимость диагностики легочных заболеваний сохраняется для многих жителей планеты. Наиболее высока актуальность для стран с развитой промышленностью с недостаточным контролем над очистительными сооружениями, поскольку отсутствие достаточного контроля повышает риск подверженности такими заболеваниями, как пневмония, туберкулез и другие. Для предотвращения или предупреждения легочных заболеваний требуется проведения регулярных обследований состояния легких с использованием различных лучевых методов и методик.
Одной из наиболее доступной и экономически эффективной методикой для диагностики легочных заболеваний на начальном этапе является рентгенография. Данная методика диагностики считается широко распространенной по всему миру, независимо от уровня оснащённости современным медицинским оборудованием в клиниках и медицинских центрах. С помощью рентгеновских исследований можно быстро получить всю необходимую информацию, а высокая информативность данного метода позволяет с легкостью выявить многие заболевания. Однако, несмотря на все преимущества метода, анализ и диагностика заболеваний грудной клетки по рентгенологическим снимкам является сложной задачей, требующей участия высоко квалифицированных специалистов.
По статистическим данным, в день врач может обработать не более 200 рентгенограмм, а в многонаселенных городах обработка значительно превышает это показатель, что неизбежно ведет к ухудшению качества обработки информации, содержащейся в рентгенограмме. Помимо скорости обработки снимков, для врачей-рентгенологов также вызывает сложность при обработке наличие оптических «шумов» и сторонних предметов. Поэтому клиническая диагностика легочных заболеваний с помощью рентгенограмм порой может быть сложной и иногда более сложной, чем диагностика с помощью компьютерной томографии. Применение современных информационных технологий при диагностике заболеваний позволяет автоматизировать процесс обнаружения заболеваний, что значительно повысит эффективность обработки данных и неминуемо приведет к снижению нагрузки на специалистов-рентгенологов.
Наиболее перспективной направлением автоматизированного обнаружения заболеваний является применение интеллектуальных систем, которые позволяют диагностировать и спрогнозировать современные заболевания человека. Особенно эффективными для решения задач медицинской диагностики и прогнозирования являются системы, которые базируются на математическом аппарате искусственных нейронных сетей. Внедрение нейросетевых моделей во врачебную практику позволяет оказать эффективную помощь в принятии врачебных решений, способствует повышению качества и точности диагностики и сокращает время на обследование пациента [11]. В настоящее время наблюдаются перспективы применения нейросетевых технологий в различных областях медицины, таких как кардиология, онкология, пульмонология, гастроэнтерология, неврология, психология и другие. При этом исследования показывают высокую точность распознавания заболеваний на ранних стадиях, порой превышающую точность при диагностике врачами-специалистами.
В области пульмонологии искусственные нейронные сети применяются для диагностики различных легочных заболеваний, в том числе тромбоэмболии легких. В 2012 году Л.С.Макарова и Е.Г.Семерякова [14] в своей работе получили и проанализировали результаты, полученные по диагностике бронхиальной астмы, с помощью нейронных сетей и дискриминантного анализа. В результате выяснилось, что модель, полученная на основе дискриминантного анализа, показала лучшие результаты. Неудовлетворительные результаты модели на основе нейронной сети были связаны с недостаточным объемом обучающей выборки. В декабре 2017 года студентами Корнеллского университета США был получен алгоритм CheXNet, позволяющий обнаружить пневмонию на рентгенограммах грудной клетки на уровне, превышающем уровень практикующих врачей-рентгенологов.
В данной работе произведен анализ архитектур сверточных нейронных сетей, решающих задачу классификации рентгенограмм грудной клетки. В итоге была получена система распознавания легочных заболеваний. Разработанная модель классификации позволить диагностировать легочные заболевания, что снизит нагрузку на врачей-рентгенологов при обработке.

В рамках данной работы было изучено применение искусственных нейронных сетей в медицинской диагностике на примере решения задачи классификации заболеваний грудной клетки на основе рентгенографических снимков. При этом были выполнены следующие задачи:
Произведен анализ предметной области;
Произведен анализ набора данных и сформирован обучающий набор данных;
Выбраны архитектура сверточной нейронной сети и алгоритм ее обучения;
Выбраны инструменты для программной реализации искусственной нейронной сети: язык разработки и необходимые библиотеки;
Реализована сверточная нейронная сеть на основе сформированного набора данных;
Проведены вычислительные эксперименты и произведен анализ полученных результатов.

ChestX-ray8: Hospital-scale Chest X-ray Database and Benchmarks on Weakly-Supervised Classification and Localization of Common Thorax Diseases / Xiaosong Wang, Yifan Peng, Le Lu, Zhiyong Lu, Mohammadhadi Bagheri, Ronald M. Summers // ArXiv. —2015. — [Электронный ресурс]. URL: arxiv.org/pdf/1512.03385.pdf (Дата обращения: 24.04.2020);
Convolutional Neural Networks (LeNet) [Электронный ресурс]: URL: http://deeplearning.net/tutorial/lenet.html (Дата обращения: 15.05.2020);
Deep Residual Learning for Image Recognition [Электронный ресурс] URL: https://arxiv.org/pdf/1512.03385.pdf (Дата обращения: 10.05.2020);
Hebb D. O. 1949. Organization of behavior. New York: Science Editions;
Hubel, D. and Wiesel, T. (1968). Receptive _elds and functional architecture of monkey striate cortex. Journal of Physiology (London), 215-243;
ImageNet Classification with Deep Convolutional Neural Networks [Электронный ресурс] URL: https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf (Дата обращения: 15.05.2020);
McCalloch W.S., Pitts W. A logical calculus of the ideas immanent in nervous activity. // Bull. Math. Biophys. – 1943. – v.5. – pp.115–133. [Электронный ресурс]. URL: http://www.raai.org/library/books/mcculloch/mcculloch.pdf (Дата обращения: 28.04.2020);
Minsky M. L, Papert S. 1969. Perseptrons. Cambridge, MA: MIT Press;
NIH Clinical Center provides one of the largest publicly available chest x-ray datasets to scientific community [Электронный ресурс] URL: https://www.nih.gov/news-events/news-releases/nih-clinical-center-rovides-one-largest-publicly-available-chest-x-ray-datasets-scientific-community (Дата обращения: 17.05.2020);
Very Deep Convolutional Networks for Large-Scale Image Recognition [Электронный ресурс] URL: https://arxiv.org/pdf/1409.1556.pdf (Дата обращения: 10.05.2020);
Vyucheyskaya M.V., Kraynova I.N., Gribanov A.V. Neural Network Technologies in Medical Diagnosis (Review).[Электронный ресурс] URL: https://cyberleninka.ru/article/n/neyrosetevye-tehnologii-v-diagnostike-zabolevaniy-obzor/viewer (Дата обращения: 21.04.2020);
Алексеева О.В. Россиев Д.А. Применение искусственных нейронных сетей в дифференциальной диагностике рецидивирующего бронхита у детей. [Электронный ресурс] URL: https://cyberleninka.ru/journal/n/sibirskoe-meditsinskoe-obozrenie?i=1054777 (Дата обращения: 21.04.2020);
Антонио Джулли, Суджит Пал. Библиотека Keras – инструмент глубокого обучения. Реализация нейронных сетей с помощью библиотек Theano и TensorFlow / пер. с анг. Слинкин А.А. – М.: ДМК Пресс, 2018. – 294 с.: ил.;
Головко, В. А. Нейросетевые технологии обработки данных: учеб. пособие / В. А. Головко, В. В. Краснопрошин. – Минск: БГУ, 2017 – 263 с. – (Классическое университетское издание);
Жерон, Орельен. Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow: концепции, инструменты и техники для создания интеллектуальных систем. Пер. с англ. – СпБ.: ООО “Альфа-книга’: 2018. – 688 с.: ил. – Парал. тит. Англ;
Нормализация входных векторов (Normalization) [Электронный ресурс] URL: https://wiki.loginom.ru/articles/normalization.html (Дата обращения: 05.05.2020);
С. Короткий. Нейронные сети: основные положения. [Электронный ресурс] URL: http://www.shestopaloff.ca/kyriako/Russian/Artificial_Intelligence/Some_publications/Korotky_Neuron_network_Lectures.pdf (Дата обращения: 18.05.2020);
Хайкин С. Нейронные сети. Полный курс. 2-е изд. / пер. с англ. М : ИД Вильямс, 2016. – 1104 с.: ил.

Заказать новую

Лучшие эксперты сервиса ждут твоего задания

от 5 000 ₽

Не подошла эта работа?
Закажи новую работу, сделанную по твоим требованиям

    Нажимая на кнопку, я соглашаюсь на обработку персональных данных и с правилами пользования Платформой

    Хочешь уникальную работу?

    Больше 3 000 экспертов уже готовы начать работу над твоим проектом!

    Алёна В. ВГПУ 2013, исторический, преподаватель
    4.2 (5 отзывов)
    Пишу дипломы, курсовые, диссертации по праву, а также истории и педагогике. Закончила исторический факультет ВГПУ. Имею высшее историческое и дополнительное юридическо... Читать все
    Пишу дипломы, курсовые, диссертации по праву, а также истории и педагогике. Закончила исторический факультет ВГПУ. Имею высшее историческое и дополнительное юридическое образование. В данный момент работаю преподавателем.
    #Кандидатские #Магистерские
    25 Выполненных работ
    Сергей Е. МГУ 2012, физический, выпускник, кандидат наук
    4.9 (5 отзывов)
    Имеется большой опыт написания творческих работ на различных порталах от эссе до кандидатских диссертаций, решения задач и выполнения лабораторных работ по любым напра... Читать все
    Имеется большой опыт написания творческих работ на различных порталах от эссе до кандидатских диссертаций, решения задач и выполнения лабораторных работ по любым направлениям физики, математики, химии и других естественных наук.
    #Кандидатские #Магистерские
    5 Выполненных работ
    Татьяна П.
    4.2 (6 отзывов)
    Помогаю студентам с решением задач по ТОЭ и физике на протяжении 9 лет. Пишу диссертацию на соискание степени кандидата технических наук, имею опыт годовой стажировки ... Читать все
    Помогаю студентам с решением задач по ТОЭ и физике на протяжении 9 лет. Пишу диссертацию на соискание степени кандидата технических наук, имею опыт годовой стажировки в одном из крупнейших университетов Германии.
    #Кандидатские #Магистерские
    9 Выполненных работ
    AleksandrAvdiev Южный федеральный университет, 2010, преподаватель, канд...
    4.1 (20 отзывов)
    Пишу качественные выпускные квалификационные работы и магистерские диссертации. Опыт написания работ - более восьми лет. Всегда на связи.
    Пишу качественные выпускные квалификационные работы и магистерские диссертации. Опыт написания работ - более восьми лет. Всегда на связи.
    #Кандидатские #Магистерские
    28 Выполненных работ
    Лидия К.
    4.5 (330 отзывов)
    Образование высшее (2009 год) педагог-психолог (УрГПУ). В 2013 году получено образование магистр психологии. Опыт преподавательской деятельности в области психологии ... Читать все
    Образование высшее (2009 год) педагог-психолог (УрГПУ). В 2013 году получено образование магистр психологии. Опыт преподавательской деятельности в области психологии и педагогики. Написание диссертаций, ВКР, курсовых и иных видов работ.
    #Кандидатские #Магистерские
    592 Выполненных работы
    Татьяна П. МГУ им. Ломоносова 1930, выпускник
    5 (9 отзывов)
    Журналист. Младший научный сотрудник в институте РАН. Репетитор по английскому языку (стаж 6 лет). Также знаю французский. Сейчас занимаюсь написанием диссертации по и... Читать все
    Журналист. Младший научный сотрудник в институте РАН. Репетитор по английскому языку (стаж 6 лет). Также знаю французский. Сейчас занимаюсь написанием диссертации по истории. Увлекаюсь литературой и темой космоса.
    #Кандидатские #Магистерские
    11 Выполненных работ
    Кирилл Ч. ИНЖЭКОН 2010, экономика и управление на предприятии транс...
    4.9 (343 отзыва)
    Работы пишу, начиная с 2000 года. Огромный опыт и знания в области экономики. Закончил школу с золотой медалью. Два высших образования (техническое и экономическое). С... Читать все
    Работы пишу, начиная с 2000 года. Огромный опыт и знания в области экономики. Закончил школу с золотой медалью. Два высших образования (техническое и экономическое). Сейчас пишу диссертацию на соискание степени кандидата экономических наук.
    #Кандидатские #Магистерские
    692 Выполненных работы
    Дарья С. Томский государственный университет 2010, Юридический, в...
    4.8 (13 отзывов)
    Практикую гражданское, семейное право. Преподаю указанные дисциплины в ВУЗе. Выполняла работы на заказ в течение двух лет. Обучалась в аспирантуре, подготовила диссерт... Читать все
    Практикую гражданское, семейное право. Преподаю указанные дисциплины в ВУЗе. Выполняла работы на заказ в течение двух лет. Обучалась в аспирантуре, подготовила диссертационное исследование, которое сейчас находится на рассмотрении в совете.
    #Кандидатские #Магистерские
    18 Выполненных работ
    Виктор В. Смоленская государственная медицинская академия 1997, Леч...
    4.7 (46 отзывов)
    Имеют опыт грамотного написания диссертационных работ по медицине, а также отдельных ее частей (литературный обзор, цели и задачи исследования, материалы и методы, выв... Читать все
    Имеют опыт грамотного написания диссертационных работ по медицине, а также отдельных ее частей (литературный обзор, цели и задачи исследования, материалы и методы, выводы).Пишу статьи в РИНЦ, ВАК.Оформление патентов от идеи до регистрации.
    #Кандидатские #Магистерские
    100 Выполненных работ

    Другие учебные работы по предмету

    Кооперативные игры на гиперграфах
    📅 2019год
    🏢 Санкт-Петербургский государственный университет