Способ сегментации лёгких на снимках КТ с использованием методов глубокого обучения

Цель данной работы – разработка способа сегментации легких на снимках КТ с использованием методов глубокого обучения.для повышении эффективности работы врача-радиолога для описания состояния легких по данным КТ. Разработанное программное обеспечение позволяет сегментировать область легкого на срезе с помощью технологий глубокого обучения.

Реферат …………………………………………………………………………………………. 10
Оглавление ……………………………………………………………………………………. 11
Введение……………………………………………………………………………………….. 14
1 Обзор литературы ………………………………………………………………………. 15
1.1 Глубокое обучени ……………………………………………………………………. 15
1.2 Переобучение нейронных сетей и методы предотвращения
переобучения …………………………………………………………………………………………… 17
1.3 Свёрточные нейронные сети…………………………………………………….. 19
1.3 Архитектуры для семантической сегментации …………………………. 23
1.4 Архитектуры энкодеров …………………………………………………………… 24
1.3.1 Архитектура ResNet ………………………………………………………………. 25
1.3.2 Архитектура MobileNetV2 …………………………………………………….. 26
1.3.3 Архитектура EfficientNet ……………………………………………………….. 27
1.4 Предварительное обучение ………………………………………………………. 28
1.5 Аугментация данных ……………………………………………………………….. 28
2 Объект и методы исследования …………………………………………………… 29
2.1 Описание используемых программных и аппаратных средств ….. 29
2.1 Данные для обучения и тестирования ………………………………………. 30
2.2 Аугментация обучающей выборки …………………………………………… 31
2.3 Обучение моделей……………………………………………………………………. 33
3 Результаты проведенного исследования ……………………………………… 35
4 Финансовый менеджмент, ресурсоэффективность и энергосбережение
………………………………………………………………………………………………………………… 40
4.1 Предпроектный анализ …………………………………………………………….. 40
4.2 Технология QuaD …………………………………………………………………….. 41
4.3 SWOT-анализ…………………………………………………………………………… 42
4.4 Оценка готовности научно-исследовательского проекта к
коммерциализации …………………………………………………………………………………… 47
4.5 Инициация научно-исследовательского проекта ………………………. 49
4.6 Планирование научно-исследовательских работ ………………………. 50
4.6.1 Организационная структура научно-исследовательского проекта50
4.6.2 Структура работ в рамках научного исследования …………………. 51
4.6.3 Определение трудоемкости выполнения работ ………………………. 52
4.6.4 Разработка графика проведения научного исследования ………… 56
4.7 Бюджет научно-технического исследования …………………………….. 58
4.7.1 Расчет материальных затрат ………………………………………………….. 58
4.7.2 Расчет затрат на специальное оборудование для научных работ59
4.7.3 Расчет затрат на амортизацию оборудования …………………………. 59
4.7.4 Основная заработная плата исполнителям работы …………………. 60
4.7.5 Дополнительная заработная плата …………………………………………. 62
4.7.6 Отчисления во внебюджетные фонды ……………………………………. 62
4.7.7 Накладные расходы ………………………………………………………………. 63
4.7.8 Контрагентные расходы ………………………………………………………… 64
4.7.9 Формирование бюджета затрат научно-исследовательского проекта
………………………………………………………………………………………………………………… 64
4.8 Риски научно-исследовательского проекта ………………………………. 65
4.9 Выводы по разделу финансовый менеджмент…………………………… 66
5 Социальная ответственность ………………………………………………………. 67
5.1 Введение …………………………………………………………………………………. 67
5.2 Правовые и организационные вопросы обеспечения безопасности67
5.3 Профессиональная социальная безопасность ……………………………. 69
5.3.1 Отклонение показателей микроклимата …………………………………. 70
5.3.2 Превышение уровня шума …………………………………………………….. 71
5.3.3 Освещение ……………………………………………………………………………. 72
5.3.4 Психофизиологические факторы при работе с компьютером …. 76
5.3.5 Повышенное значение напряжения в электрической цепи,
замыкание которой может произойти через тело человека ………………………… 77
5.4 Экологическая безопасность ……………………………………………………. 78
5.5 Безопасность в чрезвычайных ситуациях …………………………………. 79
5.6 Выводы по разделу ………………………………………………………………….. 81
Заключение …………………………………………………………………………………… 82
Список публикаций и научных достижений …………………………………… 83
Список используемых источников…………………………………………………. 84
Приложение А ………………………………………………………………………………. 88
1.1 Deep learning ……………………………………………………………………………. 89
1.2 Neural networks overfitting and methods for preventing overfitting … 91
1.3 Convolutional neural networks ……………………………………………………. 92
1.4 Semantic segmentation architectures ……………………………………………. 95
1.5 Encoders architectures ……………………………………………………………….. 97
1.5.1 ResNet …………………………………………………………………………………… 97
Figure 4. Residual block in ResNet …………………………………………………… 98
1.5.2 MobileNetV2 …………………………………………………………………………. 98
1.5.3 EfficientNet ……………………………………………………………………………. 99
1.6 Transfer learning ……………………………………………………………………….. 99
1.7 Data augmentation …………………………………………………………………… 100
References ……………………………………………………………………………………. 101
Приложение Б. Исходный код процесса обучения и проверки моделей
………………………………………………………………………………………………………………. 103

В ходе данной работы был рассмотрен датасет со снимками легких КТ и
предложено использование модели глубокого обучения Unet с энкодерами на
основе архитектур ResNet-34, MobileNetV2 и EfficientNet-B0, предобученных на
датасете ImageNet. Для раширения обучающей выборки были использованы
аугментации сдвига, вращения вокруг центра, увеличения, и отражения вокруг
горизонтальной оси. На языке программирования Python с использованием
фреймворка Tensorflow, библиотек scikit-learn и segmentation-models было
реализовано программное обеспечение для подготовки и аугментации данных,
обучения моделей и их проверки на обучающей выборке. После обучения
модели были проверена на тестовой выборке, лучший результат показала
модель на основе архитектуры EfficientNet-B0 – метрика IoU составила 0.9722.
Также данная архитектура является оптимальной по точности и размеру
модели.
Список публикаций и научных достижений
Участие в конференциях:
1. Диплом II степени за лучший доклад на подсекции 3.4 «Вычислительный
интеллект» Международной научно-технической конференции студентов,
аспирантов и молодых ученых «НАУЧНАЯ СЕССИЯ ТУСУР», г. Томск,
25-27 мая 2020 г.
Участие в конкурсах:
1. Диплом I степени на конкурсе по решению бизнес-кейсов в сфере
медицины “МедХакатон”, г. Томск, сентябрь 2018 г.;
2. Диплом за 3 место на II отборочных соревнованиях Digital Skills Томской
области, г. Томск, май 2019 г.ы

Публикации:
1. Zarnitsyn A. Y. et al. Development of the video stream object detection
algorithm (VSODA) with tracking // EAI Endorsed Transactions on Energy
Web. – 2019. – Т. 6. – №. 22.