Флюорографическое исследование является одним из наиболее распространенных методов рентгенодиагностики, и хотя считается, что флюорография легких не достаточно информативный осмотр, полученные с его помощью данные позволяют выявить изменения в структуре легочной ткани, которые могут стать причиной дальнейшего более детального обследования. В нашей стране по-прежнему сохраняется достаточно высокий уровень заболеваемости туберкулезом, поэтому существует необходимость ежегодного прохождения флюорографического обследования.
Таким образом, создается большая нагрузка на врачей-рентгенологов, которые вынуждены исследовать каждый снимок неоднократно для снижения рисков человеческого фактора. В связи с этим растет спрос на вспомогательные системы для врачей-рентгенологов, разработанные для поиска аномалий на флюорографических снимках.
В данной работе рассматривается возможность применения генеративного подхода машинного обучения в области поиска аномалий на рентгенограммах. Идея заключается в том, чтобы обучить сверточный автоэнкодер генерировать похожие изображения, и в результате этого обучения заставить выделять его наиболее важные признаки входного изображения, после чего извлекать из скрытого пространства автоэнко- дера эти признаки и пытаться классифицировать по ним нормальные рентгенограммы и рентгенограммы с патологиями методом опорных векторов.
Новизна такого подхода заключается именно в применении автоэн- кодера для сокращения размерности входных данных в задаче классификации медицинских снимков, а также использование неразмеченных данных для обучения автоэнкодера. Кроме того, обучение проводилось на базе данных, предоставленных СПб НИИ фтизиопульминологии.
В главе 3 описаны примененные методы предобработки изображений. Детали реализации сверточного автоэнкодера можно найти в главе 4.2, классификатора SVM в главе 4.3.
Применение данного подхода оценивалось по двум метрикам: AUC- ROC и AUC-PR. Обе метрики показали хорошие результаты: площадь под ROC-кривой составила 0.92, под PR-кривой 0.94. Более подробно с результатами можно ознакомиться в главе 5.
В рамках выпускной квалификационной работы были достигнуты следующие результаты:
• Были подготовлены данные для обучения выбранной модели: выбраны наиболее подходящие снимки, которые не содержат ничего лишнего, что могло бы помешать в процессе обучения, в качестве предобработки изображений применялось выравнивание гистограммы и уменьшение изображений до размера 128 х 128;
• Путем проб и ошибок была подобрана оптимальная конфигурация для реализации модели сверточного автоэнкодера, а также подобраны оптимальные параметры C и у классификатора SVM с ядром RBF. Модели реализованы на языке программирования Python с помощью фреймворка PyTorch и библиотеки scikit-learn;
• Проведены эксперименты с реализованными моделями: проведено обучение и тестирование на предварительно обработанных данных, для оценки качества работы модели использовалась метрика AUC-ROC и AUC-PR. Наилучший результат составил 0.92 по метрике AUC-ROC и 0.94 по метрике AUC-PR.
