Тема: ИСПОЛЬЗОВАНИЕ НЕЙРОСЕТЕВОГО ПОДХОДА В ЗАДАЧЕ РАСПОЗНАВАНИЯ КОРОНАВИРУСНОЙ ИНФЕКЦИИ ПО РЕНТГЕНОВСКИМ СНИМКАМ ПАЦИЕНТОВ

Быстрое распространение по всему миру инфекции COVID-19, вызываемое коронавирусом SARS-CoV-2 с декабря 2019 года, оказало огромное влияние на все страны мира и принесло непоправимый ущерб жизни многих людей.
COVID-19 - опасное заболевание, которое может протекать, как в легкой, так и в тяжелой форме, вирус способен поражать различные органы человека. Причинами такого стремительного распространения вируса среди людей является слабовыра- женная симптоматика, высокая контагиозность инфекции и отсутствие оперативной диагностики.
Наиболее сильно при заболевании COVID-19 страдают легкие [1]. Для диагностирования и обнаружения таких инфекций в настоящее время применяют компьютерную томографию и рентгенографию. Несмотря на преимущества компьютерной томографии (большая разрешающая способность и точность изображения), в диагностике чаще всего применяется именно рентген из-за меньшего радиационного воздействия и доступности аппаратов.
Сложность в своевременном оказании медицинской помощи больному состоит в том, что даже при условии обеспеченности нужными аппаратами и медикаментами не всегда можно точно и правильно поставить диагноз. Чтением рентгеновских снимков и формированием отчетов по ним занимаются специализированные медицинские работники, которые в условиях пандемии вынуждены просматривать десятки или даже сотни изображений в день, что является невероятно трудозатратным делом. Также важно понимать, что не везде и не всегда в медицинских учреждениях работают только опытные медспециалисты.
Исходя из этого, можно сделать вывод о том, что помощь в чтении снимков и диагностике заболеваний легких пациентов, сегодня важна как никогда. В настоящее время для решения этой проблемы, профессиональным специалистам, могут помочь быстроразвивающиеся нейронные сети, способные решать задачи, связанные с анализом и классификацией медицинских изображений. Безусловно это не означает, что нейронные сети будут рассматриваться как полная замена медицинским специалистам, но программы, разработанные на их основе, могут существенно ускорить диагностику заболевания и облегчить труд медицинских работников.
Аналогичная задача была рассмотрена в магистерской диссертации С.В. Карева [2], в которой были рассмотрены различные архитектуры искусственных нейронный сетей для распознавания 14 классов различных заболеваний, а также составление отчета по ним с помощью рекуррентных нейронный сетей. В работе оцениваются возможности сверточных нейронных сетей классифицировать медицинские изображения, рассматривается модель для порождения описаний патологий на рентген снимках грудной клетки.
Также подобная задача была рассмотрена в работе Ефремцева В.Г., Ефрем- цева Н.Г., Тетерина Е.П., Тетерина П.Е. и Базавлук Е.С., в которой с мощью методов перекрестной проверки и решетчатого поиска была построена нейронная сеть, состоящая из 5 сверточных слоев. Полученная нейронная сеть применялась для классификации рентгенографических изображений грудной клетки людей больных пневмонией и COVID-19, в качестве метрик использовались precision, recall и f1-score [3]. По итогам работы нейронной сети было установлено, что высокие значения метрик классификации (>0,91) убедительно свидетельствуют о надежном отличии больных пневмонией от больных COVID-19.
В работе «CheXNet: Radiologist-Level Pneumonia Detection on Chest X-Rays with Deep Learning» [4] была разработана архитектура нейронной сети CheXNet, с помощью которой классифицировали более 100000 снимков по 14 различным заболеваниям. Также к исследованию были привлечены 4 практикующих рентгенолога, которые также оценивали изображения. Эффективность работы нейронной сети и медицинских специалистов была измерена с использованием метрики f1-score, которая показала, что в среднем работа нейронной сети (f1-score = 0,435) превосходит работу рентгенологов (f1-score = 0,387).
В связи со всем вышесказанным, целью данной работы является реализо- вация алгоритма для классификации болезней легких человека с использованием алгоритмов глубокого обучения.
Для достижения этой цели были поставлены следующие задачи:
1. проанализировать существующие архитектуры нейронных сетей для задачи классификации изображений;
2. определить набор инструментов для использования нейросетевого подхода в задаче распознавания коронавирусной инфекции по рентгеновским снимкам пациентов;
3. подобрать гиперпараметры для обучения алгоритмов нейронных сетей;
4. оценить и сравнить качество работы различных нейронных сетей;
5. реализовать алгоритмы сверточных нейронных сетей для классификации изображений с предобучением;
6. оценить и сравнить качество работы различных нейронных сетей;
7. реализовать метод для визуализации работы нейронных сетей. 
1 История развития нейронных сетей
Термин нейрон был введен в 1891 году немецким гистологом В. Вальдейе- ром, в этом же году им было сформулировано основное положение нейронной теории, согласно которой нейроны вступают в функциональную связь друг с другом посредством соприкосновения клеток без создания какой-либо непрерывности их отростков. При этом нейрон определяется как структурно-функциональная единица нервной системы, состоящая из тела и отростков, с помощью которых она связана с другими клетками.
Во многом появление этого термина обязано аппарату раскрашивания различных клеток, который был изобретен итальянским физиологом Камилло Гольджи в 1873 году [5].
Развитие идеи об искусственном интеллекте началось в 40-х годах XX века (рисунок 1). В это время в Америке группа людей, состоящая из психологов и математиков-кибернетиков, задалась вопросом о создании искусственного сознания с помощью математических методов и вычислительных ресурсов...
Купить

По всем метрикам для всех архитектур и для всех классов изображений достигнута очень высокая точность предсказаний. При практическом использовании в медицинском учреждении при подозрении, что человек болен COVID, врачу следует полагаться на предсказание, которое выдает модель архитектуры EfficientNet-B0.
Можно предположить, что архитектура EfficientNet работает чуть лучше других, так как в ней меньше параметров, соответственно меньше весов, следовательно градиент меньше затухает или взрывается, поэтому сеть работает стабильно и точность предсказания выше. Остальные две сети работают не сильно хуже EfficientNet, так как их идея состоит в добавлении промежуточных связей между слоями. DenseNet по сравнению с ResNet работает более точно, так как в ней передаются не просто связи, а целые слои, и при чем к каждому последующему блоку, поэтому финальный блок получает все возможные варианты работы сверточных нейронных сетей и может эффективно отбросить часть ненужных фильтров и оставить только важные.
Также стоит отметить, что все архитектуры имеют высокую предсказательную способность для классов «covid» и «пневмония», чуть меньшую предсказательную способность для классов «помутнения в легких» и «чистые легкие». При практическом использовании данных архитектур медицинскому работнику следует быть более внимательным при постановке диагноза.
По материалам выпускной квалифицированной работы было подготовлено 2 публикации [44, 45], а также сделаны доклады на следующих конференциях:
— 26-30 мая 2021 г. - VIII Международная молодежная научная конференция «Математическое и программное обеспечение информационных, технических и экономических систем» (диплом за лучший доклад);
— 1-5 дек. 2021 г. - XX Международная конференция имени А.Ф. Терпугова «Информационные технологии и математическое моделирование» (диплом победителя конкурса научных работ молодых ученых);
— 26-28 мая 2022 г. - IX Международная молодежная научная конференция «Математическое и программное обеспечение информационных, технических и экономических систем» (диплом за лучший доклад).
Благодарности. Автор выражает огромную благодарность своему научному руководителю кандидату физико-математических наук, доценту кафедры ТВиМС Лисовской Екатерине Юрьевне, за помощь в написании и оформлении выпускной квалифицированной работы, ценные советы, внимание, моральную поддержку и терпение на протяжении всего периода обучения и особенно при подготовке к ВКР. Автор также выражает особую благодарность всему коллективу ИПМКН ТГУ и в частности кафедре ТВиМС НИ ТГУ за неоценимый вклад в развитие и воспитание молодого ученого.
Купить