Введение 3
Постановка задачи 6
Глава 1. Актуальность применения технологий ИИ для диагностирования рака печени 7
1.1. Статистика заболеваемости раком печени 7
1.2. Методы искусственного интеллекта в анализе медицинских данных .... 7
Глава 2. Материал и методы 12
2.1. Набор медицинских данных 12
2.2. Описание работы YOLO 12
2.3. Архитектура нейронной сети YOLO v8 16
2.3.1. Реализация нейронной сети с использованием YOLOv8 и
TensorBoard 17
2.3.2 Трансферное обучение 20
2.4. Выходные детекции 21
Выводы 23
Заключение 26
Список литературы 27
Приложение 1. Подготовка инструментов и процесс работы с моделью 30
Настоящее время характеризуется проблемами в области здравоохранения, в том числе проблемой высокой заболеваемости раком, который остается одним из самых серьезных заболеваний. Если рассмотреть различные виды рака, то можно отметить, что рак печени занимает шестое место по распространенности во всем мире. Последние достижения в информатике позволяют расширить возможности сбора и визуализации медицинской информации, выходя за рамки обычного рентгенологического исследования и применяя более сложные методы визуализации опухолей [1].
На сегодняшний день растущий тренд в медицине связан с применением искусственного интеллекта (ИИ) и машинного обучения (МО) для автоматизации обработки медицинских изображений.
В современной медицине применяется несколько технологий визуализации, которые помогают получить детальное изображение различных органов в теле человека. Среди методов, используемых для обнаружения рака, можно выделить компьютерную томографию, магнитно-резонансную томографию, позитронно-эмиссионную томографию, ультразвуковое
обследование и рентгенографию. Данные методы предоставляют визуализацию в формате изображений или видео, сохраняемых в разнообразных форматах (например, DICOM, PNG, JPEG и др.) [1, 2]. Результаты таких исследований обычно оцениваются специалистами- радиологами или врачами ультразвуковой диагностики для постановки диагнозов. Для повышения точности диагностики и поддержки врачей в принятии решений могут применяться системы, основанные на компьютерных технологиях [3]. Различные методы визуализации, включая ультразвук, оказываются особенно ценными для точного анализа состояния определённых органов. В данном исследовании проводится изучение возможностей нейронных сетей для анализа ультразвуковых исследований метастатического поражение печени [4].
Согласно Всемирной организации здравоохранения [5], метастазы в печени встречаются у каждого третьего онкологического пациента. Ультразвуковое исследование печени — это безопасный метод, который позволяет визуализировать печень и её сосуды, используя звуковые волны для создания изображений. Этот метод помогает радиологам диагностировать разнообразные заболевания печени, включая рак и жировую болезнь печени, а также обнаруживать желчные камни. В ходе ультразвукового исследования особое внимание уделяется наблюдению за кровотоком в портальных и печёночных венах, что позволяет видеть изменения в эхогенности органа [6].
С развитием компьютерных технологий в последние десятилетия, автоматизация обработки медицинских изображений становится все более перспективной. Использование конвергентных нейронных сетей (CNN) демонстрирует большие возможности для анализа и интерпретации медицинских изображений, что особенно актуально для видео, включающего как пространственные, так и временные измерения [4, 7]. Автоматическое распознавание органов на ультразвуковых изображениях осложнено из-за спекулярных отражений, низкой контрастности и вариативности данных. Важно оценивать изменения в структуре печени на различных кадрах и временных интервалах при диагностике фокальных поражений.
При ультразвуковом исследовании различают четыре типа эхогенности тканей [6]:
Гиперэхогенность — ткани, через которые ультразвук проходит с высокой интенсивностью, обычно представляют плотные образования.
Анэхогенность — ткани, которые полностью поглощают ультразвук, часто связаны с жидкими структурами.
Изоэхогенность — ткани, эхогенность которых сопоставима с окружающими тканями, что может указывать на фокальные изменения.
Гипоэхогенность — ткани с пониженной плотностью, которые могут указывать на структурные изменения в органе.
Распознавание этих различий является ключевым для определения характера поражений, включая идентификацию злокачественных и доброкачественных новообразований. Одним из основных вызовов в ультразвуковой диагностике является кратковременное появление фокальных изменений на видео, что требует повышенного внимания и точности в анализе.
Введение компьютерных технологий в процесс диагностики значительно улучшает качество и скорость обработки медицинских изображений, устраняя человеческий фактор, такой как усталость или невнимательность, что особенно важно при длительных и сложных исследованиях. Это позволяет диагностам более точно и оперативно определять наличие и характер поражений, повышая общую эффективность медицинских процедур и улучшая исходы для пациентов.
Модели сетей глубокого обучения, представленные сверточными нейронными сетями, часто используются в области классификации медицинских изображений, а тесты обучения классификации проводились на трех моделях YOLO. Результаты этого исследования показывают, что глубокие остаточные нейронные сети имеют потенциальное применение в задачах классификации медицинских видеоизображений, особенно в области диагностики заболеваний печени.
Модель YOLO может компенсировать недостатки ручного обнаружения в исходной системе обнаружения изображений, повысить эффективность обнаружения и в то же время в качестве вспомогательной системы может уменьшить ошибки обнаружения и способствовать разработке автоматизированных и интеллектуальных систем обнаружения.
Работа демонстрирует успешное применение модели YOLOv8 для детекции метастаз на медицинских изображениях. Дальнейшие исследования могут быть направлены на улучшение модели и ее адаптацию к другим задачам медицинской диагностики.
