Інтелектуальна система виявлення аномалій в рентгенівських знімках із застосуванням методів Deep Learning

Анотація

Моделі виявлення патологічних структур за допомогою нейронних мереж (НМ),  дозволяють прискорити процес діагностики захворювань і знижують частину помилок та повторних обстежень пацієнтів. У статті розглядаються проблеми і методи машинної класифікації та розпізнавання рентгенівських знімків (CXR), а також питання удосконалення штучних НМ, які використовуються  для підвищення якості класифікації рентгенологічних синдромів. НМ ідеальні для розпізнавання захворювань з використанням сканувань, оскільки немає необхідності надавати конкретний алгоритм для визначення захворювання. На основі огляду останніх досліджень і публікацій сформульовані основні завдання, які необхідно вирішити при моделюванні системи. Крім того, були проаналізовані архітектури НМ. Описані їх недоліки і переваги. Встановлено, що сучасні методи виявлення аномалій (хвороб) в CXR мають складнощі з недостатньою кількістю учбових даних, стандартизацію зображень і з попередньою сегментацією навчального набору. Сформовані конкретні засоби розв’язання описаних проблем з якими стикаються НМ при аналізі даних.  В якості рішення запропоновано використання методів глибоко навчання, а саме згорткової НМ на основі зворотного розповсюдження помилки і  стохастичного градієнтного спуску з попередньою сегментацією тренувальної вибірки та застосовування трансферного навчання для категоризації хвороб на медичних зображеннях. Для реалізації поставлених завдань обрані сучасні інформаційні технології. Розроблена архітектура інтелектуальної системи має можливість розпізнавати аномалії в CXR на рівні лікарів та рентгенологів й використовує середовище глибинного навчання. Зроблено висновок, що незважаючи на багатообіцяючі, в деяких випадках вражаючі, результати інтелектуальних систем, серйозні проблеми залишаються, особливо в тому, що стосується теоретичної основи, яка б чітко пояснила способи визначення оптимального вибору моделі, типу і структури для конкретного завдання або для глибокого розуміння причин, за якими конкретна архітектура або алгоритм ефективні в цьому завданні чи ні.

Ключові слова: глибоке навчання; згорткова нейронна мережа; методи розпізнавання образів; попередня обробка даних;  рентгенограма; трансферне навчання.