Разработка алгоритмов машинного обучения для автоматического описания рентгеновских изображений

Цель работы: реализация нескольких алгоритмов машинного обучения для автоматического анализа рентгеновских изображений, сравнение результатов их работы между собой и с аналогами.
В результате проведённых экспериментов было проведено сравнение двух типов архитектур, 4 архитектур, одного ансамбля нейронных сетей. Был оценен эффект трёх различных способов предобработки изображений на результаты классификации и выделяемые на изображениях признаки. Было произведено сравнение обученных нейронных сетей между собой и с аналогами. Был произведён анализ наиболее распространённого набора данных рентгеновских снимков грудной клетки, сформулированы его недостатки. Были сформулированы рекомендации к дальнейшему улучшению работы аналогичных систем.

ВВЕДЕНИЕ …………………………………………………………………………………………………… 6
ГЛАВА 1. АНАЛИТИЧЕСКИЙ ОБЗОР …………………………………………………………. 7
1.1 Медицинские аспекты. ………………………………………………………………………….. 7
1.1.1 Актуальность классической рентгенографии ……………………………………. 7
1.1.2 Использование искусственного интеллекта в автоматическом анализе
рентгенологических изображений, текущее состояние. …………………………….. 9
1.2. Описание основных алгоритмов …………………………………………………………. 10
1.2.2 Мультиклассификация …………………………………………………………………… 10
1.2.3 Классификация по нескольким меткам. ………………………………………….. 11
1.2.4 Полносвязные и сверточные нейронные сети. ………………………………… 11
1.2.5 Трансферное обучение. ………………………………………………………………….. 14
1.2.6 Карты активации классов ……………………………………………………………….. 15
1.2.7 Преобразование Фурье …………………………………………………………………… 16
1.3 Существующие алгоритмы автоматического анализа рентгенологических
изображений. ……………………………………………………………………………………………. 18
2. МАТЕРИАЛЫ И МЕТОДЫ ……………………………………………………………………… 23
2.1 Использованные технологии ……………………………………………………………….. 23
2.1.1 Keras ……………………………………………………………………………………………… 23
2.1.2 OpenCV …………………………………………………………………………………………. 24
2.1.3 TensorFlow …………………………………………………………………………………….. 24
2.1.4 NumPy …………………………………………………………………………………………… 24
2.2 Используемые архитектуры нейронных сетей. …………………………………….. 25
2.3 Используемые наборы данных. ……………………………………………………………. 27
2.3.1 NIH Chest X-Ray Dataset…………………………………………………………………. 27
ГЛАВА 3 РЕЗУЛЬТАТЫ ЭКСПЕРИМЕНТОВ. ……………………………………………. 29
3.1 Параметры обучения……………………………………………………………………………. 29
3.2 Обучение со случайной инициализацией весов. …………………………………… 29
3.3 Трансферное обучение с весами, без модификации весов ImageNet ……… 32
3.3.1 Описание экспериментов ……………………………………………………………….. 32
3.3.2 Анализ метрик точности троичных классификаторов по классам. …… 36
3.3.3 Анализ карт активаций классов троичных классификаторов …………… 39
3.3.4 Ансамбль троичных классификаторов. …………………………………………… 44
3.4 Трансферное обучение с изменением весов ImageNet …………………………… 45
3.4.1 Описание экспериментов c VGG19…………………………………………………. 45
3.4.2 Анализ метрик точности мультиклассификаторов VGG19 по классам.
………………………………………………………………………………………………………………. 49
3.4. 3 Анализ карт активаций классов мультиклассификаторов VGG19 …… 55
3.3.4 Описание экспериментов с мультиклассификаторами ResNet50 …….. 58
3.3.5 Анализ метрик точности по классам мультиклассификаторов на основе
ResNet50 ………………………………………………………………………………………………… 58
3.3.6 Анализ карт активаций классов класификаторов на основе ResNet50 60
Обсуждение результатов. ………………………………………………………………………….. 61
ГЛАВА 4. Финансовый менеджмент, ресурсоэффективность и
ресурсосбережение………………………………………………………………………………………. 63
4.1 Предпроектный анализ ………………………………………………………………………… 63
4.1.1 Потенциальные потребители результатов исследования …………………. 63
4.1.2 Анализ конкурентных решений ……………………………………………………… 64
4.1.3 SWOT-анализ ………………………………………………………………………………… 64
4.1.4 Оценка готовности проекта к коммерциализации …………………………… 66
4.1.5 Цели и результаты проекта …………………………………………………………….. 68
4.2 Планирование управления научно-техническим проектом …………………… 69
4.7.1 План проекта …………………………………………………………………………………. 69
4.2.2 Бюджет научного исследования ……………………………………………………… 70
4.2.3 Специальное оборудование для научных работ ………………………………. 71
4.2.4 Основная заработная плата …………………………………………………………….. 72
4.2.5 Дополнительная заработная плата научно-производственного
персонала ………………………………………………………………………………………………. 74
4.2.6 Отчисления на социальные нужды …………………………………………………. 75
4.2.7 Накладные расходы ……………………………………………………………………….. 76
4.2.8 Формирование бюджета затрат научно-исследовательского проекта . 77
4.3 Оценка научного уровня ……………………………………………………………………… 78
Выводы по разделу. ………………………………………………………………………………….. 81
ГЛАВА 5. СОЦИАЛЬНАЯ ОТВЕТСТВЕННОСТЬ ………………………………………. 82
5.1 Правовые аспекты обеспечения безопасности ……………………………………… 83
5.2 Эргономические требования к рабочему месту …………………………………….. 83
5.3 Производственная безопасность ………………………………………………………….. 84
5.3.1 Вредные производственные факторы ……………………………………………… 85
5.3.2 Опасные производственные факторы ……………………………………………… 91
5.4 Экологическая безопасность………………………………………………………………… 92
5.5 Безопасность в чрезвычайных ситуациях …………………………………………….. 93
Выводы по разделу …………………………………………………………………………………… 95
ЗАКЛЮЧЕНИЕ …………………………………………………………………………………………… 95
ПРИЛОЖЕНИЕ A ……………………………………………………………………………………… 101

Как было показано в нашей работе, на данный момент существует
вероятность значительных систематических ошибок, при обучении нейронных
сетей классификации рентгенологических изображений. В первую очередь это
связано с используемыми для обучения наборами данных, содержащих
систематические искажения. Перед использованием такого искуственного
интеллекта в клинической практике эта проблема должна быть решена. Мы
видим два пути решения проблемы.
Первый состоит в полностью ручной маркировке, специально подобранных
рентгенологических изображений, исключающих не описанное наличие
сторонних объектов и сложных противоречивых примеров, подготовленным к
такой задаче врачём-рентгенологом. Необходимо дополнительно отмечать
положение пациента. Желательно вручную выделить области патологии, для
обучения таких архитектур, как U-net. В обязательном порядке должен
проводится контроль нейронных сетей с помощью карт активации классов, даже
при высоких показателях точности. Должен производится подбор аритектуры и
способа предобработки изображения максимизирующий результаты как
первого, так и второго способа оценки нейронных сетей. Этот путь требует
значительных временных и финансовых затрат. Вторым путём является
использование обучения без учителя, для предворительной кластеризации
рентгенологических изображений, с последующим обучением их с учителем.
Этот способ может снизить финансовые и временные затраты.