Аннотация 2
Введение 5
1 Теоретическое обоснование задачи 7
1.1 Описание проблем ручной диагностики патологий грудной клетки 7
1.2 Методы диагностики патологий грудной клетки 9
2 Математическая формулировка задачи и обзор существующих решений 13
2.1 Математическая модель решаемой задачи 13
2.2 Сверточные сети с обратной связью (CONAF) 21
2.3 Рекуррентная модель внимания с обратной связью (RAMAF) 24
2.4 Свёрточные нейронные сети по модели VGG16 и VGG19 27
3 Анализ и верификация полученных результатов 31
3.1 Обучение и проверка нейронных сетей 31
3.2 Подведение итогов сравнительного анализа рассмотренных алгоритмов 34
Заключение 36
Список используемой литературы и используемых источников 37
Приложение А Программный код модели VGG16 40
Интерпретация радиограмм грудной клетки является критически важным моментом при диагностировании патологий грудной клетки, таких как туберкулёз и рак лёгких, которыми заболевают миллионы людей каждый год.
Это трудоёмкая задача, как правило, требует от специалиста- рентгенолога ручной обработки изображений, что приводит к диагностическим ошибкам связанных с человеческим фактором (усталость, малый или отсутствующий опыт работы, погрешности в работе оборудования).
В настоящее время разработано множество алгоритмов, позволяющих автоматизировать диагностику патологий грудной клетки, у разных подходов имеются свои преимущества и недостатки.
Основным направлением существующих разработок является применение искусственных нейронных сетей для классификации изображений. Такой подход может показывать достаточно высокую эффективность, но в то же время имеет множество проблематичных моментов начиная с практически безграничного множества различных конфигураций систем с нейронными сетями, заканчивая разными способами обучения нейронных сетей.
Перед проектированием нейронной сети необходимо понимать признаки, которые необходимо будет выделять на этапе обучения и работы итоговой нейронной сети. Не менее важным является выбор формата входных данных и способ их обработки алгоритмом классификации.
При обучении нейронной сети зачастую возникают проблемы с тем, что обучение сети заходит в тупик или происходит слишком медленно. В таких случая применяют разнообразные оптимизационные алгоритмы, которые будут затронуты в данной работе.
Дипломная работа включает: 42 страницы, 8 иллюстраций, 3 таблицы, 22 источника, из которых 7 на английском языке, и 1 приложение.
Целью работы является сравнительный анализ алгоритмов классификации рентгенограмм по признаку наличия патологий.
Объектом исследования является диагностирование патологий грудной клетки.
Предметом исследования является алгоритмы классификации патологий на цифровых рентгенограммах грудной клетки.
В ходе подготовки к работе были сформированы следующие задачи:
1. Изучить проблему с точки зрения медицины.
2. Проанализировать методы обнаружения патологий, особые признаки патологий и методы их проявления в ходе рентгенологических исследований.
3. Исследовать существующие алгоритмы решения данной проблемы.
4. Сделать выводы на основе анализа собранных данных.
В рамках выпускной квалификационной работы все цели и задачи выполнены. Были рассмотрены основные патологии грудной клетки и методы их диагностики.
Были исследованы основные методы систем распознавания образов, принципы их работы, а также рассмотрены различные архитектуры нейронных сетей, получены навыки разработки сверточных нейронных сетей для классификации изображений.
Было установлено, что среди методов диагностики оптимальными являются флюорография и рентгенография. Они не требуют больших временных затрат, и изображения, полученные с помощью этих методов, обладают достаточным набором информативных признаков для классификации.
Были рассмотрены разные архитектуры нейронных сетей и разные подходы к обучению и оптимизации нейросетей. Было доказано, что задачу распознавания можно успешно решить с помощью сверточных нейронных сетей, которые обладают рядом преимуществ при работе с изображениями.
Так же имеет смысл удалять с изображений лишнюю информацию или дополнять алгоритм классификации алгоритмом локализации очагов патологии. Можно отметить, что во всех рассмотренных алгоритмах наиболее высокий результат достигается при обработке изображения частями, будь то разделение изображения на сегменты, или поиск патологий на произвольных фрагментах рентгенограммы.
Были учтены те приёмы, что применялись в более продвинутых архитектурах приложений призванных решить поставленную задачу. Это поможет в будущих работах улучшать имеющиеся алгоритмы классификации патологий.
