Статья: Подход к выявлению патологий здоровья пациентов с пневмонией при помощи сверточных нейронных сетей

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

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.