Метод анализа оцифрованных рентгеновских снимков грудной клетки для дифференциальной диагностики инфекционных заболеваний дыхательной системы
Аннотация
В связи со стремительным развитием теории глубокого обучения наблюдается значительный прогресс и в области компьютерного зрения, а именно классификации изображений и обнаружения объектов. Анализ актуальных исследований в данной области показал, что для решения задачи диагностики патологий дыхательной системы целесообразно применение нейросетевых моделей с последующей оценкой их эффективности в реальных условиях. Целью исследования является повышение качества дифференциальной диагностики инфекционных заболеваний дыхательной системы за счет применения нейросетевых моделей. В статье предложен метод анализа оцифрованных рентгеновских снимков грудной клетки для дифференциальной диагностики инфекционных заболеваний дыхательной системы, заключающийся в применении модифицированной одноэтапной нейросетевой модели, использующей алгоритм мягкого подавления немаксимумов. Для оценки качества базовой и модифицированной нейросетевых моделей применялся ROC-анализ. Для решения задачи применения ROC-анализа для многоклассовой классификации был применен метод one-vs-all, заключающийся в создании бинарных классификаторов для каждого класса. В ходе исследования проведен ряд экспериментов для двух нейросетевых моделей (базовой и модифицированной). На основе анализа полученных значений показателя качества, а также визуального анализа на тестовом наборе данных, произведенного в рамках тестирования нейросетевых моделей, проведена оценка эффективности исследуемых моделей. Использование предложенного метода позволило учесть наложение ограничительных рамок при обнаружении объектов на изображениях, минимизировать ложное удаление рамок и достичь более точных результатов при решении задачи дифференциальной диагностики инфекционных заболеваний дыхательной системы по оцифрованным рентгеновским снимкам грудной клетки в сравнении с традиционным алгоритмом подавления немаксимумов. Проведенный анализ показал высокую чувствительность базовой и модифицированной нейросетевых моделей, однако количество правильно классифицированных примеров для модифицированной модели, использующей алгоритм мягкого подавления немаксимумов, выше для каждого из трех классов в сравнении базовой моделью.
Скачивания
Литература
2. Kiselev A. V. [et al.] (2022) Classification of the Functional State of the Respiratory System Based on the Analysis of the Variability of Slow Waves of the VLF Range. Proceedings of the Southwest State University. Series: IT Management, Computer Science, Computer Engineering. Medical Equipment Engineering. Medical device engineering. Vol. 1(12). P. 8–32. DOI
3. Jiang W., Ren Y., Liu Y. and Leng J. (2022) Artificial Neural Networks and Deep Learning Techniques Applied to Radar Target Detection: a Review. Electronics. Vol. 11. P. 1–29.
4. Butusov A. V. [et al.] (2023) Algorithms for Monitoring the Effectiveness of Therapeutic and Rehabilitation Procedures Based on Clinical Blood Analysis Indicators in the Medical Decision Support System. Proceedings of the Southwest State University. Series: IT Management, Computer Science, Computer Engineering. Medical Equipment Engineering. Vol. 1(13). P. 170–190. DOI
5. Nyaupane B. K. (2022) Pneumonia of Chest X-Ray Images Detection using VGG Architectures. Journal of Lumbini Engineering College. Vol. 4(1). P. 43–48. DOI
6. Shafi A. S. M. A., Maruf M. M. H. and Das S. Pneumonia Detection from Chest X-Ray Images Using Transfer Learning by Fusing the Features of Pre-Trained Xception and VGG16 Networks. 25th International Conference on Computer and Information Technology (ICCIT), Bangladesh, 2022. P. 593–598. DOI
7. Jawarneh M., Kalash H. and Amri M. (2023) Enhancing Pneumonia Detection in Chest X-Rays through Transfer Learning with AlexNet and Adversarial Training. IRE Journals. Vol. 7. P. 318–325.
8. Li D. (2024) Attention-Enhanced Architecture for Improved Pneumonia Detection in Chest X-Ray Images. BMC Med Imaging. Vol. 6. P. 1-13. DOI
9. Aljawarneh S. A. and Al-Quraan R. (2023) Pneumonia Detection Using Enhanced Convolutional Neural Network Model on Chest X-Ray Images. Big Data. DOI
10. Kundu R. [et al.] (2021) Pneumonia Detection in Chest X-Ray Images Using an Ensemble of Deep Learning Models. PLoS ONE. Vol. 16(9). DOI
11. Haque A. [et al.] Detecting Pneumonia from X-Ray Images of Chest Using Deep Convolutional Neural Network. 4th International Conference on Big Data Analytics and Practices (IBDAP), Bangkok, Thailand, 2023. P. 1–6. DOI
12. Gm H. [et al.] (2021). Pneumonia Detection Using CNN through Chest X-Ray. Journal of Engineering Science and Technology. Vol. 16. P. 861–876.
13. Rahman T. [et al.] (2020) Transfer Learning with Deep Convolutional Neural Network (CNN) for Pneumonia Detection Using Chest X-Ray. Appl. Sci. Vol. 10. P. 1–17. DOI
14. Balan E. and Saraniya O. (2023). Novel Neural Network Architecture Using Sharpened Cosine Similarity for Robust Classification of Covid-19, Pneumonia and Tuberculosis Diseases from X-Rays. Journal of Intelligent & Fuzzy Systems. Vol. 44. P. 1–14. DOI
15. Swetha Rani L., Jenitta J. and Manasa S. Detection and Classification of Pneumonia and COVID-19 from Chest X-Ray Using Convolutional Neural Network. 5th EAI International Conference on Big Data Innovation for Sustainable Cognitive Computing, Springer, Cham, 2023. P. 173–179. DOI
16. Darapaneni N. [et al.] (2022) Pneumonia Detection in Chest X-Rays Using Neural Networks. Electrical Engineering and Systems Science. P.1–21.
17. Lang K. [et al.] (2022) Improved OneStage Detectors with Neck Attention Block for Object Detection in Remote Sensing. Remote Sens. Vol. 14. P. 1–17.
18. LeCun Y., Bengio Y. and Hinton G. (2015) Deep Learning. Nature. 521. P. 436–444.
19. Redmon J., Divvala S., Girshick R. and Farhadi A. (2016) You Only Look Once: Unified, Real-Time Object Detection. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Las Vegas, NV, USA. P. 779–788.
20. Redmon J. and Farhadi A. (2017) Yolo9000: Better, Faster, Stronger. In Computer Vision and Pattern Recognition (CVPR). P. 1–9.
21. Chen F. et al. (2023) Soft-NMS-Enabled YOLOv5 with SIOU for Small Water Surface Floater Detection in UAV-Captured Images. Sustainability. Vol. 15. P. 1–18. DOI
22. Kiselev A. V. [et al.] (2020) Models of Latent Predictors in Intelligent Systems for Predicting the State of Living Systems. Proceedings of the Southwest State University. Series: IT Management, Computer Science, Computer Engineering. Medical Equipment Engineering. Vol. 1(10). P. 114–133. (in Russian).
- 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).
