Полностью автоматическая диагностика заболеваний могла казаться непрактичной всего несколько лет назад, но большие достижения в области искусственного интеллекта изменили это.
В этой работу мы предлагаем алгоритм, основанный на
последовательном процессе, заключающемся в обнаружении аномалий на медицинских изображениях, их характеристике, а иногда и количественной оценке их эволюции.
Нейронные сети сверточной нейронной сети, которые в последние годы были чрезвычайно успешны, выиграли множество испытаний в статистическом обучении и решили многие учебные задачи, которые ранее считались непосильными.
Рак груди - это рак, который развивается в клетках груди. Как правило, рак формируется либо в дольках, либо в протоках молочной железы, что может привести к смерти, если в результате разрастания образуются метастазы и распространяются на окружающие ткани или другие части тела.
В этом случае опухоль называется злокачественной.
Используя нейронную сеть, можно предсказать, является ли опухоль в женской груди злокачественной или доброкачественной; доброкачественная опухоль - это опухоль, которая не может проникнуть в соседнюю ткань, что в большинстве случаев делает ее безвредной; опухоль малигната - наоборот, она может распространиться в остальной части тела, и является чрезвычайно опасной. Системы компьютерной диагностики (CAD) для обнаружения и диагностики рака груди с использованием маммограмм могут помочь снизить нагрузку на специалистов, помогая им классифицировать маммограммы на нормальные и аномальные.
Поскольку мы имеем дело с огромным набором данных о пациентах по всему миру, применение обычных алгоритмов машинного обучения не является хорошей рекомендацией.
В последнее время многие исследователи работали над обнаружением рака груди, используя метод «сквозного» подхода, при котором модель для классификации локальных участков изображения готовится предварительно с использованием полностью аннотированного набора данных с информацией о областях интереса (ROI).
Хуанг и др [7]. предложили многомодальное исследование прогнозирования тяжести заболевания на основе изображений с использованием обширного изучения и прогнозирования аналитики.
Сейчас наблюдается тенденция в обработке медицинских изображений с помощью гдубоких нейронных сетей, которые все время совершенствуются.
Например Пушпанджали М., Балдев П., [15] предложили
гистопатологическое обнаружение изображения рака молочной железы с помощью глубокого обучения.
В настоящее время алгоритмы машинного обучения и распознавания реализуются в основном на языке Python с помощью соответствующих библиотек. Одной из таких библиотек является библиотека Keras. Эта библиотека с открытым исходным кодом, предоставляет собой интерфейс
Python для искусственных нейронных сетей. Keras действует как интерфейс для библиотеки TensorFlow. Здесь он играет ключевую роль. Глубокое обучение отлично справляется с огромными наборами данных, а также может извлекать высокоуровневые функции без какого-либо вмешательства домена или жесткого извлечения функций. Глубокое обучение занимает много времени, но этап тестирования проходит быстрее, чем при использовании алгоритма машинного обучения.
Очень важно точное распознавание медицинского изображения для своевременного лечения. Это исследование предложило разработку системы обнаружения раковой опухоли груди как стандартную процедуру при диагностированном раке груди. Цифровая маммография в настоящее время входит в стандартный набор диагностики.
Различные методики используются для классификации в области постановки диагноз. Извлечение признаков изображения - важный шаг в классификации маммограмм. Эти функции извлечены с использованием методов обработки изображений. Площадь опухоли необходимо рассчитывать методом DWT (дискретное вейвлет-преобразование). Нормальные и раковые ячейки отображаются отдельно, а энтропия, среднее значение, стандарт, отклонение, энергия, асимметрия "и т. д. рассчитывают d из образов базы данных.
Предложенная вероятностная нейронная сеть классифицирует изображения маммограммы на 3 категории: нормальные, доброкачественные и
злокачественные с точностью более чем 90%. Такая система может помочь и пациенту, и врачу.
