Методи аналізу зображень легенів для диагностування COVID

№

Призначення

Метод дослідження

Особливості

Джерело

1.

Розпізнавання станів на основі спеціальних рентгенівських зображень

Метод нейромережевого аналізу. Методи опорних векторів та дискримінантний аналіз

Має можливість самонавчання. Присутні алгоритми зведення до мінімуму ймовірності помилки експертної системи

[2]

2.

Аналіз різних підходів машинного навчання для аналізу медичних зображень

Прогнозування поширення захворюваності та прогнозування стану пацієнтів при вірусі COVID-19 . Використовуються алгоритми для машинного навчання - випадковий ліс (Random Forest, RF) та машина опорних зекторів (SVM); для глибокого навчання - згорткова нейронна мережа (CNN), довга короткочасна пам'ять (LSTM), генеративні змагальні мережі (GAN), залишкова нейронна мережа (Residual Neuralnetwork,

ResNet), автоенкодер. Також наголошується, що були використані математичні та статистичні моделі для оцінки людських втрат, а також у прогнозуванні загальної кількості смертей до певного періоду або кінця пандемії.

Визнається одним із найбільш перспективних напрямів дослідження

[3]

3.

Розпізнавання пневмонії, спричиненої різними вірусами

Застосовується комп'ютерна томографія з аналізом отриманих зображень методами глибокого навчання

Пропонується використовувати нейронні мережі для виявлення COVID-19 на основі аналізу рентгенографічних зображень (РІ). Навчання загорткової нейронної мережі на РВ.

[4]

4.

Виявлення патологічних змін у легенях на основі спільного аналізу радіологічних звітів та гомографічне х зображення.

Порівнюються підходи до автоматизації виділення області нтересу зображеннях комп'ютерної гомографії легких.

Виділення області легені з достатнім ступенем достовірності. Оптимізація критерію якості із наступною класифікацією зображень комп'ютерної томографії легких. Використання згорткових нейронних мереж не цілком виправдане.

[5]

5.

Розглядає проблеми та методи машинної класифікації та розпізнавання рентгенівських знімків (CXR).

Використання методів глибоко навчання, а саме згорткових НР на основі зворотного поширення помилки та градієнтного спуску з попередньою сегментацією тренувальної вибірки та застосування трансферного навчання для категоризації хвороб на медичних зображеннях. Розроблено архітектуру нтелектуальної системи, яка має можливість розпізнавати аномалії в CXR на рівні лікарів та рентгенологів, використовуючи середовище глибинного навчання.

Виявлено серйозні проблеми, особливо у тому, що стосується теоретичної основи, яка чітко пояснила способи визначення оптимального вибору моделі, типу і структури для конкретної задачі або для глибокого розуміння причин, з яких конкретна архітектура або алгоритм ефективні в цьому завданні.

[6]

6.

Перевірка ідеї пошуку особливих точок, що застосовуються при розпізнаванні осіб, порівнянні зображень тощо.

Використання методів комп'ютерного зору - метод SURF (Speeded Up Robust Features). Метод SURF, який використовується для пошуку характерних точок зображення. На виході виходить рентгенівське зображення із зазначеними у ньому областями можливих патологій.

Основною проблемою є точність збігу характерних точок.

[7]

7.

Розв'язання задачі розпізнавання

Застосовуються моделі машинного навчання за допомогою платформи ML.NET Model Builder

Для вирішення завдання розпізнавання найбільш оптимальною виявилася модель глибинної нейронної мережі (DNN - Deep Neural Network).

[3]

3.

Виявлення

новоутворень у легких основі зображень КТ.

Методи обробки та збору даних, попередня обробка зображення, сегментація, виявлення утворень, скорочення числа хибнопозитивних зипадків, класифікація новоутворень.

Створення надточних нейронних мереж (СНС) та повністю автоматизованих систем діагностики раку легенів: Deep Lung та Nodule Х.

[9]

9.

Вивчення процесу навчання нейромережі (глибока надточна нейромережа), архітектура розробленого модуля (Програмний модуль являє собою нейромережу глибокого навчання, побудовану за технологією згорткової нейронної мережі CNN).

Розроблено алгоритм роботи CNN та структуру нейромережі.

Проведені експерименти підтвердили перспективність використання нейромережі для вирішення задачі автоматичного аналізу флюорографічних рентгенівських знімків на предмет виявлення патологій.

[10]

10.

Розв'язання задачі виявлення пневмонії за рентгенівськими зображеннями.

Використані дві нейромережні моделі: Retina Net та Mask R-CNN. В основі цих мереж застосовуються класичні надточні нейронні мережі з 'залишковими з'єднаннями" (residual connections) - ResNet-50 та ResNet-101.

Вдалося досягти показників точності на найвищому рівні.

[11]

11.

Перевірка побудови надійного класифікатора на основі технологій глибокого навчання за допомогою попередньо навченої глибокої згорткової нейронної мережі.

Використовувалися попередньо навчені нейронні мережі з урахуванням: DenseNet, EfficientNet, nceptionResNetV2, InceptionV3, MobileNet, MobileNetV2, MobileNetV3, NASNet, ResNet, ResNetV2, VGG,

Xception.

"либока згорткова нейронна мережа донавчалася на порівняно невеликому обсязі даних. Проведено порівняння нейромереж та виявлено найефективніші з них: DenseNet169, NASNetLarge, ResNet152V2.

[12]

12.

Вивчення методу Transfer Learning при розпізнаванні COVID-19 на рентгенівських знімках.

Використовувалася згорткова нейронна мережа, що показує хороший результат навіть у разі невеликої навчальної вибірки.

В результаті модель показала точність 35-39 відсотків на тестовій вибірці, що є добрим показником. При збільшенні розмірів тестового датасету можливе покращення результату розпізнавання.

[13]

13.

Виявлення будь-якої закономірності розташування легеневого малюнка.

Метод складається з кількох ключових етапів: бінаризація, кластеризація, класифікація.

Для класифікації використається нейронна мережа.

[14]

14.

Перевіряється нформативність автоматичного розпізнавання утворень у легень при цифровій рентгенографії.

Застосовувався один із загальнодоступних діагностичних алгоритмів.

Основою стала згорткова нейронна мережа.

[15]

15.

Проблема автоматизованої диференціації патологій на рентгенограмах цифрових грудної клітки.

Запропоновано вдосконалений алгоритм автоматизованої дентифікації патологічних структур, зокрема метод, що ґрунтується на застосуванні нейронних мереж, що дозволяють прискорити процес діагностики захворювань та знижують частку повторних досліджень.

Зроблено висновок, що дана нейронна мережа є досить широкою і може дати багато ознак розпізнавання. Але через велику кількість ознак є найвибагливішою до обчислювальних ресурсів.

[16]

16

Вивчаються можливості та перспективи застосування ШІ у клінічній практиці.

У листопаді 2017 р. фахівці зі Стенфордського університету під керівництвом Ендрю Іна розробили алгоритм під назвою CheXNet. В основі ШІ під назвою CheXNet лежить згорткова нейромережа (СНР). Вона містить 121 шар відноситься до так званих глибоких нейронних мереж. Алгоритм CheXNet навчався на основі понад 100 тис. рентгенограм грудної клітки з 14 різними патологіями.

У 2018 р. компанія Google продемонструвала можливості ШІ для швидкої та ефективної обробки флюорографії органів грудної клітки. В основі алгоритму лежить згорткова СР, що виділяє на медичних знімках області, що вимагають додаткової уваги спеціаліста.

У всіх тестах ШІ перевершив людину як за критерієм чутливості, так і за критерієм специфічності. Для навчання алгоритму використовували ChestX-ray8 - найбільшу відкриту базу даних рентгенологічних досліджень рудної клітки, яку проводить Національний інститут охорони здоров'я США.

[17]

17

Завдання ідентифікації неоднорідностей цифрових зображень.

Розроблено алгоритм нейромережевого класифікатора, що реалізує на апаратному рівні принципи нейромережевої технології для розпізнавання текстури зображення. Метод оцінки зображення враховує статистику значень пікселів з локальної множини, заснований на дослідженні "істограм «зони інтересу» та зразка. Розроблено методику, що забезпечує зибір розміру осередку при скануванні «зон інтересу» на цифрових рентгенограмах. Гістограмний аналіз зображення та сегментація текстур використовується для підвищення діагностичного потенціалу зображення. Як алгоритм навчання використовується алгоритм зворотного поширення помилки.

Математична модель побудована на основі нейронного підходу. Для дентифікації векторної функції розглядається двошарова нейронна мережа прямого поширення з прихованим сигмоїдним шаром нейронів і лінійним вихідним шаром. Структура нейронної мережі підбирається экспериментально.

[18]

18.

Вирішення задачі аозпізнавання на аентгенівських знімках пневмонії.

Для розробки програми, в якій реалізується розв'язання задач розпізнавання пневмонії на рентгенівських знімках, використовувалися: мова програмування Python, бібліотека Keras версії 2.2.4, бібліотека Keras_metrics та бібліотека matplotlib. Як метод оптимізації для вирішення задачі розпізнавання пневмонії застосовувався алгоритм RMSProp. функціоналу помилки на відміну від інших алгоритмів з адаптивною швидкістю навчання.

Створення згорткової нейронної мережі. Наводяться показники точності розпізнавання пневмонії . Цей алгоритм заснований на застосуванні коефіцієнта ослаблення, завдяки якому RMSProp навчання нейронної мережі не сповільнюється занадто швидко, не досягнувши мінімуму

[19]

19

Досліджується архітектура системи для вирішення задач класифікації при виявленні COVID-19 та інших захворювань легень.

Для сегментації використовувалася згорткова нейронна мережа U-Net, створена для сегментації біомедичних зображень. Для класифікації використовується класична архітектура згорткової нейронної мережі, яка називається LeNet.

Архітектура системи складається з набору нейронних мереж, які використовуються для сегментації та подальшої класифікації зображень, що завантажуються на клієнтський веб-додаток, для отримання звіту про класифікацію.

[20]