Подход к выявлению патологий здоровья пациентов с пневмонией при помощи сверточных нейронных сетей
Обзор решений и концепция исследования архитектуры сверточных нейронных сетей для задачи распознавания образов. Схемы взаимодействия слоев и обучение сети, состоящей из этих слоев. Определение пневмонии по фронтальным рентгеновским снимкам грудной клетки.
| Рубрика | Медицина |
| Вид | статья |
| Язык | русский |
| Дата добавления | 09.09.2021 |
| Размер файла | 711,7 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http://www.Allbest.Ru/
ФГБОУВО
Орловский государственный университет им. И.С. Тургенева
Факультет «Политехнический институт имени Н.Н. Поликарпова»
Подход к выявлению патологий здоровья пациентов с пневмонией при помощи сверточных нейронных сетей
Беляев И.В., студент
Потуроев Д.А., студент
Россия, г. Орел
Аннотация
В статье представлен обзор существующих решений и общая концепция исследования архитектуры сверточных нейронных сетей для задачи распознавания образов. Представлены схемы взаимодействия слоев и обучение сети, состоящей из этих слоев.
Ключевые слова: пневмония, патология, сверточная нейронная сеть, распознавание образов.
Abstract
The article presents an overview of existing solutions and a general concept of studying the architecture of convolutional neural networks for the problem of pattern recognition. The schemes of interaction of layers and training of the network consisting of these layers are presented.
Key words: pneumonia, pathology, convolutional neural network, pattern recognition.
Введение
Развитие сверточной нейронной сети позволило значительно повысить способность классифицировать изображения с помощью систем распознавания образов. Технология предусматривает несколько слоев обработки, к которым применяются фильтры анализа изображений, или свертки. Абстрактное представление изображений внутри каждого слоя структурируется путем систематического свертывания нескольких фильтров по всему изображению, создавая карту объектов, которая используется в качестве входных данных для следующего слоя. Такая архитектура позволяет обрабатывать изображения в виде пикселей в качестве входных данных и выдавать желаемые результаты.
Ученые из Стэнфорда разработали нейронную сеть, которая определяет пневмонию по фронтальным рентгеновским снимкам грудной клетки не хуже, чем практикующие врачи. Точность составила 83,30%.
Авторы [2] провели исследование эффективности применения методов сегментации и фильтрации костной ткани ребер на рентгеновских снимках и выяснили, что использование данных методов позволяет повысить итоговую точность классификации. сверточный нейронный сеть образ пневмония
Лахани и Сундарам (2017) [4] предложили метод выявления туберкулеза легких, основанный на архитектуре двух различных DCNNs AlexNet и GoogleNet где точность прогнозирования диагноза оказалась 87%. Классификация узелков легких в основном для диагностики рака легких, предложенная Huang et al. Также приняли методы глубокого обучения.
Ислам и др. предложили использовать различные варианты сверточных нейронных сетей (CNNs) для выявления аномалий на рентгенограммах грудной клетки. В данной работе будут рассмотрены предложенные авторами методы предварительной обработки рентгеновских снимков и проведено сравнение качества классификации на наборах данных.
Материалы и методы
Для выявления патологий и обучения нейронной сети предлагается метод анализа рентген изображения грудной клетки пациентов с заведомо известными экспертными заключениями врача.
В качестве исходной выборки для проведения машинного обучения были отобраны случаи заболевании“ с известными заключительными диагнозами
Для обучения сети выборка составила 1000 изображений (по 500 из каждой категории) от 633 пациентов. По окончанию обучения и передаче новых изображений в базу данных, выходы сверточных слоев подключаются ко входам слоев первоначальной выборки. Изображения проходят многоуровневую систему оценивания, состоящую из нескольких обученных слоев для проверки и коррекции меток изображений. Примеры изображений для обучения и оценки представлены на рисунке 1.
а) б)
Рисунок 1. Рентген грудной клетки: а) Человек с пневмонией, б) Здоровый человек
Результаты
Для экспериментов использовалась специально созданная выборка для распознавания заболеваний. Выборка состоит из 2х классов, здорового человека и болевшего пневмонией. Обучающая выборка состоит из изображений (папка train), тестовая 2683 изображений, которые имею размер 224x224 пикселей.
Чтобы точность показаний была достаточно высокой, была уменьшена скорость обучения сети 0.05е-4, так же изменен выходной слой (fully Connected Layer - это полносвязный слой, который умножает вход на матрицу веса и затем добавляет вектор смещения).
Рисунок 2. Процесс обучения сети
• TP (true positive) - число истинно-положительных, верно отнесенных к классу і примеров;
• TN (true negative) - число истинно-отрицательных, верно не отнесенных к классу і примеров, отнесенных к некоторому другому классу;
• FP (false positive) - число ложнопо-ложительных, ошибочно отнесенных к классу і примеров;
• FN (false negative) - число ложно-отрицательных примеров, ошибочно отнесенных к некоторому другому классу j = і', в то время как истинным класс примеров - I.
TP + TN
accuracy = ----------------------------
J TP + TN + F P + F N
На рисунке 2 приведен график, который показывает производительность в обучения и валидации набора данных с использованием сети Alexnet. Модель достигла точности 96.40%.
Точность вычислений строится по проверке данных обучения (Accuracy), а ошибка по тренировочным наборам данных (Loss). Графики были нормализованы с коэффициентом сглаживания 0.6, чтобы четко визуализировать тенденции. Точность валидации и потери показывают лучшую производительность, так как изображения с большим количеством шума и более низким качеством также были включены в учебный набор, чтобы уменьшить переналадку и помочь обобщению классификатора.
Сравнения исследования: в статье была рассмотрена архитектура AlexNet, а также работы авторов из разных точек мира. В таблице 1 можно увидеть сравнительную характеристику для каждой работы.
Таблица 1
Сравнительная характеристика точности показания
|
ОГУ |
Ученые из Стэнфорда |
Ученые Лахани и Сундарам |
Ученые из Украины |
||
|
Accuracy |
96,40% |
83,30% |
87% |
70% |
Как видно, все справились с задачей примерно на одном уровне. Однако по всем метрикам архитектура AlexNet показала себя лучше остальных.
Заключение
Медицинские изображения трудно собирать в больших количествах необходимых для обучения сверточной нейронной сети. Именно поэтому сложно сделать окончательные выводы по поводу надежности и дальнейшего использования данной технологии. Обученная сеть на миллионах различных медицинских изображений, вероятно, даст более точную модель за гораздо меньшее время при переподготовке слоев для других медицинских классификаций.
Использованные источники
1. Atlas-based rib-bone detection in chest X-rays / S. Candemir, S. Jaeger, S. Antani et al. // Computerized Medical Imaging and Graphics. - 2016. - Vol. 51. - P. 3239.
2. Deep Learning with Lung Segmentation and Bone Shadow Exclusion Techniques for Chest X-Ray Analysis of Lung Cancer / Yu. Gordienko, P. Gang, J. Hui et al. // ArXiv. - 2017.
3. Eliminating rib shadows in chest radiographicimages providing diagnostic assistance / H. Ogul, B.B. Ogul, A.M. Agildere et al. // Computer Methods and Programs in Biomedicine. - 2016. - Vol. 127. - P. 174-184.
4. Goodfellow I., Bengio Y., Courville A. Deep Learning. - MIT Press, 2016.
5. Health National Institutes Of. NIH Clinical Center provides one of the largest publicly available chest x-ray datasets to scientific community. - 2017.
Размещено на allbest.ru
...Подобные документы
Понятие грудной клетки. Коническая, цилиндрическая, плоская формы грудной клетки и их характеристика. Патологические формы грудной клетки. Порядок и методика проведения пальпации. Определение хода ребер и позвоночника, ширины межреберных промежутков.
презентация [294,3 K], добавлен 21.05.2014Диагностика гидроторакса (грудной водянки) с помощью рентгена, ультразвукового исследования, компьютерной томографии. Определение свободного газа в плевральной полости грудной клетки. Обзорная рентгенограмма грудной клетки больного с эмпиемой плевры.
презентация [472,1 K], добавлен 31.10.2013Различные по механизму повреждения грудной клетки. Нарушение функции грудной полости. Классификация повреждений грудной клетки. Основные клинические проявления посттравматического пневмоторакса. Сдавление и сотрясение грудной клетки, переломы ребер.
презентация [1,6 M], добавлен 25.02.2015Рассмотрение грудной клетки как одной из частей туловища. Ознакомление с нормальным строением грудины, ребер, позвоночника и мышц человека. Нормостеническая, астеническая и гиперстеническая типы грудной клетки. Изучение основных патологических форм.
презентация [365,8 K], добавлен 24.04.2014Современные аспекты лечения пневмонии у взрослых в стационарных условиях. Исследование заболеваемости пневмонией по данным ГКБ № 68. Особенности организации сестринской деятельности в пульмонологическом отделении при уходе за пациентами с пневмонией.
курсовая работа [87,9 K], добавлен 27.10.2016Разновидности и характер повреждений шеи, грудной клетки и живота, степень их опасности для жизни больного. Клиническая картина и методика оказания первой помощи при переломах грудины, ребер, ранении грудной стенки, повреждениях и ранениях стенок живота.
реферат [18,6 K], добавлен 16.08.2009Строение грудной клетки и ее функции. Механизм дыхательных движений. Врожденные деформации грудной клетки у детей. Приминение индекса Гижицкой для определения степени деформации. Классификация воронкообразных деформаций грудной клетки и их коррекции.
контрольная работа [1,7 M], добавлен 28.05.2009Искусственные нейронные сети как математические модели и их программные реализации, строящиеся по образу биологических нейронных сетей. Знакомство с основными особенностями применения экспертных систем в медицине. Общая характеристика методов Data Mining.
презентация [141,0 K], добавлен 17.05.2014Возникновение болей в грудной клетке при пневмонии, воспаление плевры (плеврита). Заболевание органов брюшной полости. Перкуссия и аускультация легких. Проведение рентгеноскопии и рентгенографии грудной клетки. Исследование функции внешнего дыхания.
презентация [336,7 K], добавлен 06.10.2014Классификация повреждений грудной клетки. Факторы образования подкожной эмфиземы. Нарушение целостностности костной структуры ребер. Повреждения костей грудной клетки и мягких тканей. Дифференциальная диагностика ушибов легкого и внутрилегочных гематом.
презентация [1,4 M], добавлен 19.04.2016Деятельность медицинской сестры при лечении и уходе за пациентами с пневмонией. Классификация пневмонии, этиология и факторы риска, клиника. Методы диагностики, особенности лечения. Роль медицинской сестры в организации ухода и лечения при пневмонии.
дипломная работа [871,2 K], добавлен 19.09.2022Этиология, патогенез, факторы риска пневмонии. Клиническая картина заболевания, осложнения в ходе его течения. Методы диагностики и лечения пневмонии. Деятельность медицинской сестры по организации ухода за больными пневмонией в условиях стационара.
курсовая работа [6,4 M], добавлен 10.07.2015Виды и признаки черепно-мозговых травм. Иммобилизация нижней челюсти, головы и шейного отдела. Классификация травм грудной клетки. Помощь при гемотораксе и пневмотораксе. Транспортировка пострадавших при переломе позвоночника. Противошоковые мероприятия.
презентация [1,5 M], добавлен 21.05.2016Различные повреждения грудной клетки, нередко сопровождающиеся нарушением дыхания и кровообращения, что в свою очередь может привести к гибели пострадавшего. Лечение переломов ребер. Клиника пневмоторакса – скопления воздуха в плевральной полости.
презентация [4,9 M], добавлен 16.02.2017Частота ранений грудной клетки во время войны, факторы, влияющие на нее. Причины летальных исходов при ранениях данного типа. Патогенез нарушений функции дыхания и кровообращения. Клиническая картина закрытых и открытых повреждений грудной клетки.
реферат [30,6 K], добавлен 26.10.2014Жалобы на наличие на поверхности грудной клетки справа болезненного образования округлой формы. Анамнез заболевания: термический ожог. Дифференциальная диагностика абсцесса мягких тканей. Оперативное лечение абсцесса области грудной клетки справа.
история болезни [24,0 K], добавлен 12.02.2010Ознакомление со строением и расположением сердца; определение его отношения к стенкам грудной клетки. Изучение кровоснабжения, иннервации и лимфооттока фиброзно-мышечного органа. Правила проведения пальпации, перкуссии и аускультации грудной клетки.
реферат [280,4 K], добавлен 18.10.2015Определение относительной диагностической и прогностической ценности клинико-биохимических показателей при пневмониях. Исследования липидного и углеводного обменов. Характеристика пневмонии. Изучение состояния иммунного статуса у людей больных пневмонией.
курсовая работа [46,1 K], добавлен 20.07.2015Преимущества и недостатки использования переднебокового доступа к органам грудной клетки. Боковая торакотомия, главные особенности её выполнения. Заднебоковая торакотомия, использование её при "мокром легком". Сшивание раны, ошибки и осложнения.
презентация [1,7 M], добавлен 09.06.2012Анатомическая характеристика и строение верхних и нижних дыхательных путей ребенка: носа, гортани, трахеи, плевры, легких. Механизм дыхания. Врожденные пороки развития. Искривление грудной клетки. Хирургическое лечение воронкообразной грудной клетки.
презентация [1,2 M], добавлен 18.11.2015
