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!

    Катерина В. преподаватель, кандидат наук
    4.6 (30 отзывов)
    Преподаватель одного из лучших ВУЗов страны, научный работник, редактор научного журнала, общественный деятель. Пишу все виды работ - от эссе до докторской диссертации... Читать все
    Преподаватель одного из лучших ВУЗов страны, научный работник, редактор научного журнала, общественный деятель. Пишу все виды работ - от эссе до докторской диссертации. Опыт работы 7 лет. Всегда на связи и готова прийти на помощь. Вместе удовлетворим самого требовательного научного руководителя. Возможно полное сопровождение: от статуса студента до получения научной степени.
    #Кандидатские #Магистерские
    47 Выполненных работ
    Родион М. БГУ, выпускник
    4.6 (71 отзыв)
    Высшее экономическое образование. Мои клиенты успешно защищают дипломы и диссертации в МГУ, ВШЭ, РАНХиГС, а также других топовых университетах России.
    Высшее экономическое образование. Мои клиенты успешно защищают дипломы и диссертации в МГУ, ВШЭ, РАНХиГС, а также других топовых университетах России.
    #Кандидатские #Магистерские
    108 Выполненных работ
    Елена Л. РЭУ им. Г. В. Плеханова 2009, Управления и коммерции, пре...
    4.8 (211 отзывов)
    Работа пишется на основе учебников и научных статей, диссертаций, данных официальной статистики. Все источники актуальные за последние 3-5 лет.Активно и уместно исполь... Читать все
    Работа пишется на основе учебников и научных статей, диссертаций, данных официальной статистики. Все источники актуальные за последние 3-5 лет.Активно и уместно использую в работе графический материал (графики рисунки, диаграммы) и таблицы.
    #Кандидатские #Магистерские
    362 Выполненных работы
    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
    Дмитрий К. преподаватель, кандидат наук
    5 (1241 отзыв)
    Окончил КазГУ с красным дипломом в 1985 г., после окончания работал в Институте Ядерной Физики, защитил кандидатскую диссертацию в 1991 г. Работы для студентов выполня... Читать все
    Окончил КазГУ с красным дипломом в 1985 г., после окончания работал в Институте Ядерной Физики, защитил кандидатскую диссертацию в 1991 г. Работы для студентов выполняю уже 30 лет.
    #Кандидатские #Магистерские
    2271 Выполненная работа
    Анна Н. Государственный университет управления 2021, Экономика и ...
    0 (13 отзывов)
    Закончила ГУУ с отличием "Бухгалтерский учет, анализ и аудит". Выполнить разные работы: от рефератов до диссертаций. Также пишу доклады, делаю презентации, повышаю уни... Читать все
    Закончила ГУУ с отличием "Бухгалтерский учет, анализ и аудит". Выполнить разные работы: от рефератов до диссертаций. Также пишу доклады, делаю презентации, повышаю уникальности с нуля. Все работы оформляю в соответствии с ГОСТ.
    #Кандидатские #Магистерские
    0 Выполненных работ
    Дарья П. кандидат наук, доцент
    4.9 (20 отзывов)
    Профессиональный журналист, филолог со стажем более 10 лет. Имею профильную диссертацию по специализации "Радиовещание". Подробно и серьезно разрабатываю темы научных... Читать все
    Профессиональный журналист, филолог со стажем более 10 лет. Имею профильную диссертацию по специализации "Радиовещание". Подробно и серьезно разрабатываю темы научных исследований, связанных с журналистикой, филологией и литературой
    #Кандидатские #Магистерские
    33 Выполненных работы
    Анастасия Б.
    5 (145 отзывов)
    Опыт в написании студенческих работ (дипломные работы, магистерские диссертации, повышение уникальности текста, курсовые работы, научные статьи и т.д.) по экономическо... Читать все
    Опыт в написании студенческих работ (дипломные работы, магистерские диссертации, повышение уникальности текста, курсовые работы, научные статьи и т.д.) по экономическому и гуманитарному направлениях свыше 8 лет на различных площадках.
    #Кандидатские #Магистерские
    224 Выполненных работы
    Яна К. ТюмГУ 2004, ГМУ, выпускник
    5 (8 отзывов)
    Помощь в написании магистерских диссертаций, курсовых, контрольных работ, рефератов, статей, повышение уникальности текста(ручной рерайт), качественно и в срок, в соот... Читать все
    Помощь в написании магистерских диссертаций, курсовых, контрольных работ, рефератов, статей, повышение уникальности текста(ручной рерайт), качественно и в срок, в соответствии с Вашими требованиями.
    #Кандидатские #Магистерские
    12 Выполненных работ

    Другие учебные работы по предмету

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