DOI 10.17586/0021-3454-2024-67-4-315-320
УДК 004.85
ИСПОЛЬЗОВАНИЕ ГЛУБОКОГО ОБУЧЕНИЯ ПРИ ДИАГНОСТИРОВАНИИ ПНЕВМОНИИ ПО РЕНТГЕНОВСКИМ СНИМКАМ
Санкт-Петербургский государственный университет аэрокосмического приборостроения, кафедра прикладной информатики;
Боженко В. В.
Санкт-Петербургский государственный университет аэрокосмического приборостроения, кафедра прикладной информатики; старший преподаватель
Татарникова Т. М.
Санкт-Петербургский государственный университет аэрокосмического приборостроения, кафедра прикладной информатики; профессор
Ссылка для цитирования : Раскопина А. С., Боженко В. В., Татарникова Т. М. Использование глубокого обучения при диагностировании пневмонии по рентгеновским снимкам // Изв. вузов. Приборостроение. 2024. Т. 67, № 4. С. 315—320. DOI: 10.17586/0021-3454-2024-67-4-315-320.
Аннотация. С развитием методов машинного обучения для распознавания образов открываются новые возможности в области медицинской диагностики. Уровень точности и надежности, достигнутый нейронными сетями, позволяет снизить риск ложных срабатываний и ошибок. Для задачи диагностирования пневмонии по рентгеновским изображениям проведено сравнение различных алгоритмов машинного обучения, таких как метод опорных векторов, k-ближайших соседей, сверточные нейронные сети. Обсуждаются преимущества использования данных методов в медицинской диагностике. Алгоритмы машинного обучения доведены до программной реализации, для каждого из них экспериментальным путем выбраны параметры обучения. Для сравнения методов использовалась стандартная метрика — точность (accuracy), также методы сравнивались по времени обучения. Эксперименты проведены на реальных рентгеновских снимках больных пневмонией пациентов. Результаты экспериментов показали, что глубокие нейронные сети демонстрируют лучшую точность, по сравнению с традиционными методами машинного обучения, что подтверждает эффективность их потенциального использования для диагностики и лечения данного заболевания.
Аннотация. С развитием методов машинного обучения для распознавания образов открываются новые возможности в области медицинской диагностики. Уровень точности и надежности, достигнутый нейронными сетями, позволяет снизить риск ложных срабатываний и ошибок. Для задачи диагностирования пневмонии по рентгеновским изображениям проведено сравнение различных алгоритмов машинного обучения, таких как метод опорных векторов, k-ближайших соседей, сверточные нейронные сети. Обсуждаются преимущества использования данных методов в медицинской диагностике. Алгоритмы машинного обучения доведены до программной реализации, для каждого из них экспериментальным путем выбраны параметры обучения. Для сравнения методов использовалась стандартная метрика — точность (accuracy), также методы сравнивались по времени обучения. Эксперименты проведены на реальных рентгеновских снимках больных пневмонией пациентов. Результаты экспериментов показали, что глубокие нейронные сети демонстрируют лучшую точность, по сравнению с традиционными методами машинного обучения, что подтверждает эффективность их потенциального использования для диагностики и лечения данного заболевания.
Ключевые слова: рентгеновское изображение, нейронные сети, машинное обучение, диагностика, метод опорных векторов, k-ближайших соседей, сверточные нейронные сети, глубокое обучение
Список литературы:
Список литературы:
- Zhang Zh. Introduction to machine learning: K-nearest neighbors // Annals of Translational Medicine. 2016. Vol. 4, N 11. P. 218—225. DOI: 10.21037/atm.2016.03.37.
- Bozhenko V. V. and Tatarnikova T. M. Application of Data Preprocessing in Medical Research // 2023 Wave Electronics and its Application in Information and Telecommunication Systems (WECONF). St. Petersburg, 2023. P. 1—4. DOI: 10.1109/WECONF57201.2023.10148004.
- Razzak M. I., Imran M., Xu G. Big data analytics for preventive medicine // Neural Computing & Applications. 2020. Vol. 32. P. 4417—4451.
- Васильченко В. А., Бурковский В. Л., Данилов А. Д. Алгоритмизация процесса распознавания состояний физиологических объектов на основе специальных рентгеновских изображений // Компьютерная оптика. 2019. Т. 43, № 2. С. 296—303.
- Максимова Е. И., Хаустов П. А. Алгоритм обнаружения образований в легких человека на снимках компьютерного томографа с использованием искусственной нейронной сети // Фундаментальные исследования. 2016. № 4–2. С. 290—294.
- Комков А. А., Мазаев В. П., Рязанова С. В., Самочатов Д. Н., Базаева Е. В. Основные направления развития искусственного интеллекта в медицине // Научное обозрение. Медицинские науки. 2020. № 5. С. 33—40.
- Jaapar R. M. Q. R., Mansor M. A. Convolutional Neural Network Model in Machine Learning Methods and Computer Vision for Image Recognition: A Review // J. of Applied Sciences Research. 2018. Vol. 14, N 6. P. 23—27. DOI: 10.22587/jasr.2018.14.6.5.
- Awad M., Khanna R. Support Vector Machines for Classification // Efficient Learning Machines. 2015. P. 39—66. DOI:10.1007/978-1-4302-5990-9_3.
- Tatarnikova T. M. and Mokretsov N. S. Wireless Sensor Network Clustering Model // XXVI Intern. Conf. on Soft Computing and Measurements (SCM). St. Petersburg, 2023. P. 240—243. DOI: 10.1109/SCM58628.2023.10159119.
- Paramasivam K., Sindha M. M. R., Balakrishnan S. B. KNN-Based Machine Learning Classifier Used on Deep Learned Spatial Motion Features for Human Action Recognition // Entropy. 2023. Vol. 25, N 844. P. 1—15. DOI: 10.3390/e25060844.
- Alzubaidi L., Zhang J., Humaidi A. J., Al-Dujaili A., Duan Y., Al-Shamma O., Santamaría J., Fadhel M. A., Al-Amidie M., and Farhan L. Review of deep learning: concepts, CNN architectures, challenges, applications, future directions // J. of Big Data. 2021. Vol. 8, N 53. P. 1—74. DOI: 10.1186/s40537-021-00444-8.
- Le Cun Y., Bengio Y., Hinton G. Deep learning // Nature. 2015. Vol. 521, N 7553. P. 436—444. DOI:10.1038/nature14539
- Akcay S., Kundegorski M. E., Willcocks C. G. and Breckon T. P. Using Deep Convolutional Neural Network Architectures for Object Classification and Detection within X-Ray Baggage Security Imagery // IEEE Transact. on Information Forensics and Security. 2018. Vol. 13, N 9. P. 2203—2215.
