
Тип работы:	Предмет:	Язык работы:

Реализация сверточной нейронной сети для дифференциации затемнений на снимках рентгенограмм

Работа №	115734
Тип работы	Бакалаврская работа
Предмет	математика и информатика
Объем работы	43
Год сдачи	2020
Стоимость	4700 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено	118

Не подходит работа?

Узнай цену на написание

Содержание

ВВЕДЕНИЕ. 5
1. Анализ способов дифференциации затемнений рентгенограммы . 6
1.1 Анализ снимка рентгенологом. 6
1.2 Методы исследования дыхательных путей. 7
1.3 Автоматизированная классификация изображений. 8
1.4 Анализ нейросетевого подхода . 10
2. Разработка алгоритма дифференциации. 22
2.1 Выбор технических средств 22
2.2 Сравнение архитектур для классификации. 26
2.3 Анализ датасета 32
3. Обучение нейронных сетей и тестирование моделей 34
3.1 Обучение нейронной сети для классификации . 34
3.2 Выделение области интереса. 36
ЗАКЛЮЧЕНИЕ 39
СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ. 40

Введение

Аннотация. Введение.
Заболевания легких являются одной из самых больших угроз для здоровья человека. По данным Европейской Белой Книги по заболеваниям легких [1], из-за них происходит каждая шестая смерть во всем мире, а в России на каждые 100000 человек приходится около 90 человек с патологиями легких. Эти патологии приводят к инвалидности и даже могут стать причиной смерти, что влечет за собой огромные затраты на первую помощь, госпитализацию и лекарства. Кроме этого, огромный ущерб наносит потеря людьми трудоспособности и преждевременные смерти в результате болезни.
Цифровая рентгенография является одним из первых и основных вариантов диагностики различных заболеваний. Рентгенограммы позволяют увидеть даже самые незначительные изменения и не только выявить патологию на ранних стадиях, но и поставить точный диагноз заболевания. Именно поэтому рентгенографическое исследование широко распространено по всему миру и остается приоритетным в медицинской практике даже в хорошо оснащенных клиниках и медицинских центрах. Однако работа с рентгеновскими снимками - это постоянная работа с однородными изображениями, поэтому на стадии постановки диагноза есть вероятность, что болезнь может быть не замечена врачом. В связи с тем, что планово рентген делают лишь раз в год, незамеченная болезнь на ранней стадии может сильно спрогрессировать до следующего обследования.
Чтобы снизить влияние человеческого фактора при анализе снимков и обнаружить как можно большее количество патологических процессов необходимо создать вспомогательный инструмент «Второй глаз», выступающий в роле интерна просматривающего снимки для выявления патологии и выделения области требующей внимания. Таким инструментом может стать ПО со сверточной нейронной сетью, способной выполнять поставленные задачи без вмешательства со стороны. Особенно востребован такой инструмент будет при проведении массового обследования.

Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!

ДИПЛОМНЫЕ МАГИСТЕРСКИЕ ДИССЕРТАЦИИ

Курсовые Статьи Диплом Рязань

Заключение

Целью выпускной квалификационной работы являлась повышение степени автоматизации в анализе рентгенограммы и разработка приложения для этого. Создание данного приложения позволяет классифицировать рентгеновские снимки груди по патологиям на 14 классов. На основе анализа установлено, что задачу распознавания можно успешно решить с помощью сверточных нейронных сетей, которые обладают рядом преимуществ для работы с изображениями.
В рамках данной выпускной квалификационной работы были достигнуты следующие результаты:
1. произведен анализ работы рентгенолога и методов, которые он использует в работе, выявлены проблемы и предложено их решение, а именно использование нейросетевого подхода;
2. были исследованы основные методы систем распознавания и архитектуры нейронных сетей;
3. выбран и подготовлен подходящий набор данных для обучения;
4. для обучения был разработан соответствующий алгоритм, выбраны наиболее подходящие архитектуры нейронных сетей для задачи;
5. проведены эксперименты посредством обучения нейросетей на данных, по результатам которых была обучена модель сверточной нейронной сети построенная по архитектуре DenseNet201 и показавшая наилучшие результаты классификации при анализе рентгенограммы , а именно точность порядка 0.827 по AUC при классификации по 14 патологиям грудной клетки;
6. был реализован метод Grad-CAM позволяющий локализовать патологии если таковые имеются.
Разработанная сеть может быть использована специалистами для уменьшения вероятности пропуска патологии за счет концентрирования их внимания на определенной области с предположением о находящейся там патологии.

Литература

1. European Lung white book [Электронный ресурс]. – Электрон. дан. – [2020]. – Режим доступа: www.erswhitebook.org
2. Рентгенология [Электронный ресурс]. – Электрон. дан. – [2020]. – Режим доступа: https://teleradiologia.ru /что-такое-рентгенология-радиология/
3. Методы исследования легких и дыхательных путей [Электронный ресурс]. – Электрон. дан. – [2020]. – Режим доступа: https://delhimodi.com/other/funktsionalnoe-issledovanie-legkih.html
4. Хофер М., Абанадор Н., Кампер Л., Центаи К. Рентгенологическое исследование грудной клетки / Перевод с Английского: В.В. Ипатов, А. П. Кутько // под. Ред.: Г. Е. Труфанова. —М, 2008. — 220 с.
5. Никитин О.Р., Пасечник А.С. Оконтуривание и сегментация в задачах автоматизированной диагностики патологий // Методы и устройства передачи и обработки информации. 2009. № 11. 300–309 с.
6. Kosykh N.E., Gostuyshkin V.V., Savin S.Z., Vorojztov I.V. Designing the systems of computer diagnostics of medical images // Proc. of The First Russia and Pacific Conference on Computer Technology and Applications (RPC 2010). Vladivostok, Russia. 6–9 September, 2010. 4 p.
7. Гостюшкин В.В., Коваленко В.Л., Косых Н.Э., Савин С.З. Методы повышения эффективности компьютерных автоматизированных технологий в задачах радионуклидной диагностики // Врач и информационные технологии. 2013. № 6. 42–48 с.
8. Косых Н.Э., Смагин С.И., Гостюшкин В.В., Савин С.З., Литвинов К.А. Система автоматизированного компьютерного анализа медицинских изображений // Информационные технологии и вычислительные системы. 2011. № 3. С.52–60.
9. McCulloch, W. S. A logical calculus of the ideas immanent in nervous activity /Warren S. McCulloch, Walter Pitts // Springer New York. — 1943.
10. Long Short-Term Memory Recurrent Neural Network Architectures for Large Scale Acoustic Modeling [Электронный ресурс]. – Электрон. дан. – [2020]. – Режим доступа: https://wiki.inf.ed.ac.uk/twiki/pub/CSTR/ListenTerm1201415/sak2.pdf
11. Yann LeCun Leon Bottou, Y. B. Gradient-based learning applied to document recognition / Yoshua Bengio Yann LeCun, Leon Bottou, Patrick Haffner // IEEE. - 1998
12. Karen Simonyan, Andrew Zisserman. 2014. Very deep convolutional networks for large-scale image recognition. [Электронный ресурс]. – Электрон. дан. – [2020]. – Режим доступа: https://arxiv.org/abs/1409.1556
13. Deep Residual Learning for Image Recognition [Электронный ресурс]. – Электрон. дан. – [2020]. – Режим доступа: https://arxiv.org/abs/1512.03385
14. Densely Connected Convolutional Networks [Электронный ресурс]. – Электрон. дан. – [2020]. – Режим доступа: https://arxiv.org/abs/1608.06993
15. Keras Applications [Электронный ресурс]. – Электрон. дан. – [2020]. – Режим доступа: https://keras.io/api/applications
...