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!

    Татьяна М. кандидат наук
    5 (285 отзывов)
    Специализируюсь на правовых дипломных работах, магистерских и кандидатских диссертациях
    Специализируюсь на правовых дипломных работах, магистерских и кандидатских диссертациях
    #Кандидатские #Магистерские
    495 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
    Екатерина Д.
    4.8 (37 отзывов)
    Более 5 лет помогаю в написании работ от простых учебных заданий и магистерских диссертаций до реальных бизнес-планов и проектов для открытия своего дела. Имею два об... Читать все
    Более 5 лет помогаю в написании работ от простых учебных заданий и магистерских диссертаций до реальных бизнес-планов и проектов для открытия своего дела. Имею два образования: экономист-менеджер и маркетолог. Буду рада помочь и Вам.
    #Кандидатские #Магистерские
    55 Выполненных работ
    Антон П. преподаватель, доцент
    4.8 (1033 отзыва)
    Занимаюсь написанием студенческих работ (дипломные работы, маг. диссертации). Участник международных конференций (экономика/менеджмент/юриспруденция). Постоянно публик... Читать все
    Занимаюсь написанием студенческих работ (дипломные работы, маг. диссертации). Участник международных конференций (экономика/менеджмент/юриспруденция). Постоянно публикуюсь, имею высокий индекс цитирования. Спикер.
    #Кандидатские #Магистерские
    1386 Выполненных работ
    Оксана М. Восточноукраинский национальный университет, студент 4 - ...
    4.9 (37 отзывов)
    Возможно выполнение работ по правоведению и политологии. Имею высшее образование менеджера ВЭД и правоведа, защитила кандидатскую и докторскую диссертации по политоло... Читать все
    Возможно выполнение работ по правоведению и политологии. Имею высшее образование менеджера ВЭД и правоведа, защитила кандидатскую и докторскую диссертации по политологии.
    #Кандидатские #Магистерские
    68 Выполненных работ
    Анастасия Л. аспирант
    5 (8 отзывов)
    Работаю в сфере метрологического обеспечения. Защищаю кандидатскую диссертацию. Основной профиль: Метрология, стандартизация и сертификация. Оптико-электронное прибост... Читать все
    Работаю в сфере метрологического обеспечения. Защищаю кандидатскую диссертацию. Основной профиль: Метрология, стандартизация и сертификация. Оптико-электронное прибостроение, управление качеством
    #Кандидатские #Магистерские
    10 Выполненных работ
    Егор В. кандидат наук, доцент
    5 (428 отзывов)
    Здравствуйте. Занимаюсь выполнением работ более 14 лет. Очень большой опыт. Более 400 успешно защищенных дипломов и диссертаций. Берусь только со 100% уверенностью. Ск... Читать все
    Здравствуйте. Занимаюсь выполнением работ более 14 лет. Очень большой опыт. Более 400 успешно защищенных дипломов и диссертаций. Берусь только со 100% уверенностью. Скорее всего Ваш заказ будет выполнен раньше срока.
    #Кандидатские #Магистерские
    694 Выполненных работы
    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
    Олег Н. Томский политехнический университет 2000, Инженерно-эконо...
    4.7 (96 отзывов)
    Здравствуйте! Опыт написания работ более 12 лет. За это время были успешно защищены более 2 500 написанных мною магистерских диссертаций, дипломов, курсовых работ. Явл... Читать все
    Здравствуйте! Опыт написания работ более 12 лет. За это время были успешно защищены более 2 500 написанных мною магистерских диссертаций, дипломов, курсовых работ. Являюсь действующим преподавателем одного из ВУЗов.
    #Кандидатские #Магистерские
    177 Выполненных работ

    Другие учебные работы по предмету

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