Применение искусственных нейронных сетей в задаче распознавания рентгеновских снимков
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.
Хочешь уникальную работу?
Больше 3 000 экспертов уже готовы начать работу над твоим проектом!
4.2 (13 отзывов)
5 (22 отзыва)
4.4 (93 отзыва)
5 (174 отзыва)
5 (188 отзывов)
4.8 (30 отзывов)
4.7 (96 отзывов)
5 (21 отзыв)
4.4 (59 отзывов)
