Метод оценки результатов детектирования и классификации объектов на медицинских изображениях
Ключевые слова:
YOLO, компьютерное зрение, глубокое обучение, сверточная нейронная сеть, обнаружение объектов, нечеткое оценивание
Аннотация
В статье предлагается метод оценки результатов детектирования и классификации объектов на медицинских изображениях, полученных по результатам компьютерной томографии внутренних органов человека нейросетью архитектуры YOLO, содержащий алгоритм и математические модели нечеткой оценки. Разработанные алгоритм и модели позволяют классифицировать объекты в зависимости от их расположения и проекции изображения, автоматизировать и сократить время диагностирования заболевания, перейти от оценки двумерных изображений к сборке и оценке трехмерных объектов, повысить точность оценки параметров объектов, снизить риски неправильных хирургических решений при планировании и проведении операций. Предложенные алгоритм и модели были реализованы в прототипе системы поддержки принятия врачебных решений в хирургии и урологии с использованием технологий компьютерного зрения в составе программных модулей по детектированию объектов и расчету параметров объектов. Представленный метод оценки результатов детектирования и классификации объектов на медицинских изображениях показал высокую эффективность.
Скачивания
Данные скачивания пока не доступны.
Литература
1. Meldo A. A., Utkin L. V. and Trofimova T. N. (2020) Artificial intelligence in medicine: current state and main directions of development of the intellectual diagnostics. Diagnostic radiology and radiotherapy. 11 (1). P. 9–17. DOI
2. Nazarenko G. I., Guliyev Ya. I. and Ermakov D. E. (2005) Medical information systems: Theory and practice. Moscow : FIZMATLIT, 320. EDN UGLLEH. (in Russian)
3. Borisov D. N., Kulnev S. V. and Lemeshkin R. N. (2019) The use of artificial intelligence in the analysis of digital diagnostic images. State and prospects of development of modern science in the direction of “Technical vision and pattern recognition” : Collection of abstracts of scientific and technical conference, Anapa, October 16-17, 2019 year. – Anapa: Federal State Autonomous Institution “Military Innovative Technopolis “ERA”. P. 163–169. – EDN OQBRZU. (in Russian)
4. Kozar R. V., Navrotsky A. A. and Gurinovich A. B. (2020) Methods of recognition of medical images in problems of computer diagnostics. Izvestiya Gomel State University named after F. Skoriny. 3 (120). P. 116-121. EDN HJRPNR. (in Russian)
5. Shubkin E. O. (2021) Review of medical image segmentation methods. Youth and modern information technologies: Proceedings of the XVIII International Scientific and Practical Conference of Students, postgraduates and Young Scientists, Tomsk, March 22–26, 2021. – Tomsk: National Research Tomsk Polytechnic University. P. 90–91. (in Russian)
6. Hidas G., Eliahou R., Duvdevani M., Coulon P., Lemaitre L., Gofrit O. N., Pode D. and Sosna J. (2010) Determination of renal stone composition with dual-energy CT: in vivo analysis and comparison with x-ray diffraction. Hidas G Radiology. 257 (2). P. 394–401. DOI . Epub 2010 Aug 31. PMID: 20807846.
7. Kermany D. S., Goldbaum M., Cai W., Valentim C. C., Liang H., Baxter S. L., McKeown A., Yang G., Wu X., Yan F. [et al.] (2018) Identifying medical diagnoses and treatable diseases by image-based deep learning. Kermany DS Cell. 172. P. 1122–1131.
8. Andriyanov N. A., Dementiev V. E. and Tashlinsky A. G. (2022) Detection of objects in an image: from Bayes and Neumann-Pearson criteria to detectors based on neural networks. Computer optics. 46 (1). P. 139–159. – DOI EDN IGOBDC.
9. Everingham M., Eslami S. M. A., Van Gool L. [et al.] (2015) The Pascal Visual Object Classes Challenge: A Retrospective. International Journal of Computer Vision. Vol. 111, No. 1. P. 98–136. DOI EDN DRJASN.
10. Yadav K., Mohan D., and Parihar A. S. (2021) Image detection in noisy images. Proceedings – 5th International Conference on Intelligent Computing and Control Systems, ICICCS 2021 : 5, Madurai, 06–08 May 2021. Madurai. P. 917–923. DOI EDN CJZFYP.
11. Redmon J., Divvala S., Girshick R. and Farhadi A. (2016) You Only Look Once: Unified, Real-Time Object Detection. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA. P. 779–788. DOI
12. Kubera E., Kubik-Komar A., Kurasiński P., Piotrowska-Weryszko K. and Skrzypiec M. (2022) Detection and Recognition of Pollen Grains in Multilabel Microscopic Images. 22. 2690. DOI
13. Rudenko M. A. and Rudenko A. V. (2021) Fuzzy model of classification of medical images based on neural networks. International Conference on Soft Computing and Measurements. Vol. 1. P. 336–339. EDN ELMYDU. (in Russian)
14. Rudenko M. A., Rudenko A.V., Krapivina M. A. and Lisovsky V. S. (2022) The system of detecting and analyzing objects on CT images in urology. III International Conference on Neural Networks and Neurotechnologies (NEURONT’2022) : collection of reports, St. Petersburg, June 16, 2022. St. Petersburg: St. Petersburg State Electrotechnical University “LETI” named after V.I. Ulyanov (Lenin). P. 38–42. EDN LXCNGO. (in Russian)
2. Nazarenko G. I., Guliyev Ya. I. and Ermakov D. E. (2005) Medical information systems: Theory and practice. Moscow : FIZMATLIT, 320. EDN UGLLEH. (in Russian)
3. Borisov D. N., Kulnev S. V. and Lemeshkin R. N. (2019) The use of artificial intelligence in the analysis of digital diagnostic images. State and prospects of development of modern science in the direction of “Technical vision and pattern recognition” : Collection of abstracts of scientific and technical conference, Anapa, October 16-17, 2019 year. – Anapa: Federal State Autonomous Institution “Military Innovative Technopolis “ERA”. P. 163–169. – EDN OQBRZU. (in Russian)
4. Kozar R. V., Navrotsky A. A. and Gurinovich A. B. (2020) Methods of recognition of medical images in problems of computer diagnostics. Izvestiya Gomel State University named after F. Skoriny. 3 (120). P. 116-121. EDN HJRPNR. (in Russian)
5. Shubkin E. O. (2021) Review of medical image segmentation methods. Youth and modern information technologies: Proceedings of the XVIII International Scientific and Practical Conference of Students, postgraduates and Young Scientists, Tomsk, March 22–26, 2021. – Tomsk: National Research Tomsk Polytechnic University. P. 90–91. (in Russian)
6. Hidas G., Eliahou R., Duvdevani M., Coulon P., Lemaitre L., Gofrit O. N., Pode D. and Sosna J. (2010) Determination of renal stone composition with dual-energy CT: in vivo analysis and comparison with x-ray diffraction. Hidas G Radiology. 257 (2). P. 394–401. DOI . Epub 2010 Aug 31. PMID: 20807846.
7. Kermany D. S., Goldbaum M., Cai W., Valentim C. C., Liang H., Baxter S. L., McKeown A., Yang G., Wu X., Yan F. [et al.] (2018) Identifying medical diagnoses and treatable diseases by image-based deep learning. Kermany DS Cell. 172. P. 1122–1131.
8. Andriyanov N. A., Dementiev V. E. and Tashlinsky A. G. (2022) Detection of objects in an image: from Bayes and Neumann-Pearson criteria to detectors based on neural networks. Computer optics. 46 (1). P. 139–159. – DOI EDN IGOBDC.
9. Everingham M., Eslami S. M. A., Van Gool L. [et al.] (2015) The Pascal Visual Object Classes Challenge: A Retrospective. International Journal of Computer Vision. Vol. 111, No. 1. P. 98–136. DOI EDN DRJASN.
10. Yadav K., Mohan D., and Parihar A. S. (2021) Image detection in noisy images. Proceedings – 5th International Conference on Intelligent Computing and Control Systems, ICICCS 2021 : 5, Madurai, 06–08 May 2021. Madurai. P. 917–923. DOI EDN CJZFYP.
11. Redmon J., Divvala S., Girshick R. and Farhadi A. (2016) You Only Look Once: Unified, Real-Time Object Detection. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA. P. 779–788. DOI
12. Kubera E., Kubik-Komar A., Kurasiński P., Piotrowska-Weryszko K. and Skrzypiec M. (2022) Detection and Recognition of Pollen Grains in Multilabel Microscopic Images. 22. 2690. DOI
13. Rudenko M. A. and Rudenko A. V. (2021) Fuzzy model of classification of medical images based on neural networks. International Conference on Soft Computing and Measurements. Vol. 1. P. 336–339. EDN ELMYDU. (in Russian)
14. Rudenko M. A., Rudenko A.V., Krapivina M. A. and Lisovsky V. S. (2022) The system of detecting and analyzing objects on CT images in urology. III International Conference on Neural Networks and Neurotechnologies (NEURONT’2022) : collection of reports, St. Petersburg, June 16, 2022. St. Petersburg: St. Petersburg State Electrotechnical University “LETI” named after V.I. Ulyanov (Lenin). P. 38–42. EDN LXCNGO. (in Russian)
Опубликован
2024-05-28
Как цитировать
Руденко, А. В., Руденко, М. А., & Каширина, И. Л. (2024). Метод оценки результатов детектирования и классификации объектов на медицинских изображениях. Вестник ВГУ. Серия: Системный анализ и информационные технологии, (1), 137-148. https://doi.org/10.17308/sait/1995-5499/2024/1/137-148
Выпуск
Раздел
Интеллектуальные системы, анализ данных и машинное обучение
- Авторы сохраняют за собой авторские права и предоставляют журналу право первой публикации работы, которая по истечении 6 месяцев после публикации автоматически лицензируется на условиях Creative Commons Attribution License , которая позволяет другим распространять данную работу с обязательным сохранением ссылок на авторов оригинальной работы и оригинальную публикацию в этом журнале.
- Авторы имеют право размещать их работу в сети Интернет (например в институтском хранилище или персональном сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению и большему количеству ссылок на данную работу (См. The Effect of Open Access).
