Глубинное обучение в задаче распознавания новообразований в головном мозге
|
ВВЕДЕНИЕ 3
ГЛАВА 1. МЕТОДЫ КЛАССИФИКАЦИИ МЕДИЦИНСКИХ
ИЗОБРАЖЕНИЙ 8
1.1. Нейронные сети 12
1.2. Логистическая регрессия 30
1.3. Метод K-ближайших соседей 31
1.4. Машина опорных векторов 33
1.5. Наивный Байес 35
1.6. Дерево решений 37
1.7. Случайный лес 39
1.8. Программная среда исследования Orange Data Mining 40
1.9. Выводы по главе 1 42
ГЛАВА 2. ИССЛЕДОВАТЕЛЬСКАЯ ЧАСТЬ. РАСПОЗНАВАНИЕ МРТ-
ИЗОБРАЖЕНИЙ 43
2.1 Подготовка данных 43
2.2. Описание набора данных для исследования 46
2.3. Процесс обучения алгоритма 48
2.4. Прогностическая модель распознавания МРТ изображений 54
2.5. Полученные результаты и оценка модели 56
2.6. Выводы по главе 2 62
ЗАКЛЮЧЕНИЕ 64
СПИСОК ЛИТЕРАТУРЫ 66
ГЛАВА 1. МЕТОДЫ КЛАССИФИКАЦИИ МЕДИЦИНСКИХ
ИЗОБРАЖЕНИЙ 8
1.1. Нейронные сети 12
1.2. Логистическая регрессия 30
1.3. Метод K-ближайших соседей 31
1.4. Машина опорных векторов 33
1.5. Наивный Байес 35
1.6. Дерево решений 37
1.7. Случайный лес 39
1.8. Программная среда исследования Orange Data Mining 40
1.9. Выводы по главе 1 42
ГЛАВА 2. ИССЛЕДОВАТЕЛЬСКАЯ ЧАСТЬ. РАСПОЗНАВАНИЕ МРТ-
ИЗОБРАЖЕНИЙ 43
2.1 Подготовка данных 43
2.2. Описание набора данных для исследования 46
2.3. Процесс обучения алгоритма 48
2.4. Прогностическая модель распознавания МРТ изображений 54
2.5. Полученные результаты и оценка модели 56
2.6. Выводы по главе 2 62
ЗАКЛЮЧЕНИЕ 64
СПИСОК ЛИТЕРАТУРЫ 66
Актуальность исследования. Проблема дифференциальной диагностики очаговых образований в головном мозге на протяжении многих лет остается актуальной [48] в силу агрессивности некоторых их видов. Такие новообразования представляют собой гетерогенную группу различных внутричерепных новообразований, доброкачественных или злокачественных, возникающих вследствие процесса неконтролируемого деления клеток, которые в прошлом являлись нормальными составляющими ткани мозга. Согласно данным по злокачественным новообразованиям, в Российской Федерации в 2020 году, доля злокачественных новообразований головного мозга составляла около 1,5% от общего числа [8]. Раннее диагностирование новообразований имеет важное значение для улучшения качества жизни пациентов. Основными методами исследования являются: магнитно¬резонансная томография (МРТ) и компьютерная томография (КТ). Выявление онкологических процессов на ранних стадиях является сложной задачей из-за разнообразия анатомических форм опухолей, поэтому такие исследования, как правило, держат на контроле. В связи с этим, возникает задача распознавания новообразований на ранней стадии на основе диагностических изображений [60].
С каждым годом нарастает объём цифровых данных о пациентах, полученных с помощью различных методов диагностических исследований. Очевидно, возникает необходимость в реализации системы, позволяющей ускорить процесс обработки изображений. Разработка подобной системы автоматической сортировки МРТ-изображений является целью данной работы.
С другой стороны, внедрение искусственного интеллекта в обработке изображений поможет также снизить эмоциональное выгорание врачей [30].
Таким образом, целесообразно сформулировать алгоритмическое решение распознавания новообразований в головном мозге.
Обработка МРТ-изображений головного мозга возможна с помощью контролируемых методов обучения (обучение с учителем), например, искусственные нейронные сети, машины опорных векторов. Другой подход к обработке таких изображений - это неконтролируемые методы обучения (обучение без учителя), такие, например, как карта самоорганизации (self-organizing map), метод k-средних в сочетании с методами извлечения признаков. Другие методы контролируемой классификации (например, k- ближайших соседей) группируют пиксели изображения на основе их сходства по какому-либо признаку.
Выявление опухолей головного мозга и оценка продолжительности их существования после обнаружения опухоли представляет собой сложную задачу. На этапе установления диагноза проводится распознавание и классификация опухолей. Сложность этой задачи заключается в
асимметричной форме новообразований, в разнообразии их фактуры,
расположения и расплывчатых границ. Сегментация новообразований на снимках, полученных с помощью магнитно-резонансной томографии позволяет получить количественные измерения новообразований, а также информацию об их местоположении, что может быть полезным для корректировки лечения пациентов с данной патологией, а также помочь при планировании лечения. Выявление морфологических изменений в органе на начальной стадии позволяет врачу определить наиболее подходящий метод лечения. Весь этот набор данных, взятый из диагностических исследований, впоследствии обрабатывается в том числе с помощью методов глубокого машинного обучения. Машинное обучение эффективно выполняет сегментацию, классификацию и извлечение признаков для последующей классификации полученных цифровых изображений. Компьютерное зрение является приложением машинного обучения и искусственного интеллекта, которое извлекает данные из цифровых фотографий и видео, а затем 4
использует эти данные для вынесения значимых для пользователя суждений. Компьютерное зрение в настоящее время является наиболее востребованным в научном сообществе направлением машинного обучения. Достижения последних лет в этой области компьютерных наук продемонстрировали прорывные изменения, в результате чего алгоритмы машинного обучения превзошли возможности человека. Так, нейронная сеть, например, способна классифицировать изображения, ошибаясь в 1,2% случаев [42], тогда как ошибка человека составляет 5,1% [43]. Сегодня анализ медицинских
изображений - это широкое поле для инноваций в области медицинской визуализации, возможности которого реализуются путем использования медицинского компьютерного зрения с целью выявления патологий и прогноза течения заболевания. Исследователи активно разрабатывают алгоритмы на основе машинного обучения, в том числе по анализу изображений со злокачественными новообразованиями [22].
В соответствии с утверждёнными указом Президента РФ № 203 от 9 мая 2017 года Стратегией развития информационного общества и указом № 490 от 10 октября 2019 года Национальной стратегией развития искусственного интеллекта на период до 2030 года, эта область рассматривается как приоритетная для обеспечения национальных интересов Российской Федерации.
Представленная выпускная квалификационная работа реализует компетенции магистерской программы “Современные информационные технологии в медицине и биологии” в части универсальных компетенций (УК-4, способность применять современные коммуникативные технологии для академического и профессионального взаимодействия),
общепрофессиональных компетенций (ОПК-6, способность творчески применять и модифицировать современные компьютерные технологии, работать с профессиональными базами данных) и профессиональных компетенций (ПК-3, способность использовать современную аппаратуру и вычислительные комплексы в соответствии с направленностью программы магистратуры).
По материалам работы автором была опубликована статья на XIII Международной научно-практической конференции «Актуальные аспекты развития науки и общества в эпоху цифровой трансформации» [9].
Целью работы является применение и адаптация алгоритмов машинного обучения для выявления патологий в МРТ-изображениях головного мозга.
Объектом исследования являются цифровые контрастные МРТ- изображения головного мозга.
В ходе выполнения работы были решены следующие задачи:
- поиск и формирование выборок МРТ-изображений;
- аналитический обзор существующих алгоритмов и систем распознавания объектов;
- разработка алгоритма обнаружения патологий головного мозга и выявления признаков наличия злокачественных новообразований;
- тестирование разработанной программной системы.
Достижение цели исследования реализовано при помощи программы интеллектуального анализа данных Orange Data Mining.
Практическая значимость работы заключается в том, что разработанная программа и база данных изображений могут применяться в учебном процессе для помощи студентам при освоении материала о глубинном обучении. Разработанная модель подходит для разных типов ЭВМ и может быть использована для анализа и обработки изображений в широком спектре предметных областей.
Достоверность полученных результатов и выводов обеспечивается корректным применением математического аппарата и методов математического моделирования; результатами натурного эксперимента;
модельных примерах и реальных данных.
Основные положения, выносимые на защиту ВКР
1. Представляемая в ВКР модель глубинного обучения и диагностики новообразований в головном мозге относится к категории систем искусственного интеллекта.
2. Метод классификации изображений рентгеновских снимков и его сегментов, построенный на основе комплекса алгоритмов, реализующих процедуры морфологической фильтрации, сегментации, модификации границ сегментов и их классификации обеспечивает диагностическую эффективность по классам рентгенограмм головного мозга от 76 до 92%, а по классу сегментов “норма” - 94%.
3. Совокупность научно обоснованных технических и технологических решений, разработанных в рамках данной ВКР, имеет потенциал для повышения уровня оказания медицинской помощи населению.
С каждым годом нарастает объём цифровых данных о пациентах, полученных с помощью различных методов диагностических исследований. Очевидно, возникает необходимость в реализации системы, позволяющей ускорить процесс обработки изображений. Разработка подобной системы автоматической сортировки МРТ-изображений является целью данной работы.
С другой стороны, внедрение искусственного интеллекта в обработке изображений поможет также снизить эмоциональное выгорание врачей [30].
Таким образом, целесообразно сформулировать алгоритмическое решение распознавания новообразований в головном мозге.
Обработка МРТ-изображений головного мозга возможна с помощью контролируемых методов обучения (обучение с учителем), например, искусственные нейронные сети, машины опорных векторов. Другой подход к обработке таких изображений - это неконтролируемые методы обучения (обучение без учителя), такие, например, как карта самоорганизации (self-organizing map), метод k-средних в сочетании с методами извлечения признаков. Другие методы контролируемой классификации (например, k- ближайших соседей) группируют пиксели изображения на основе их сходства по какому-либо признаку.
Выявление опухолей головного мозга и оценка продолжительности их существования после обнаружения опухоли представляет собой сложную задачу. На этапе установления диагноза проводится распознавание и классификация опухолей. Сложность этой задачи заключается в
асимметричной форме новообразований, в разнообразии их фактуры,
расположения и расплывчатых границ. Сегментация новообразований на снимках, полученных с помощью магнитно-резонансной томографии позволяет получить количественные измерения новообразований, а также информацию об их местоположении, что может быть полезным для корректировки лечения пациентов с данной патологией, а также помочь при планировании лечения. Выявление морфологических изменений в органе на начальной стадии позволяет врачу определить наиболее подходящий метод лечения. Весь этот набор данных, взятый из диагностических исследований, впоследствии обрабатывается в том числе с помощью методов глубокого машинного обучения. Машинное обучение эффективно выполняет сегментацию, классификацию и извлечение признаков для последующей классификации полученных цифровых изображений. Компьютерное зрение является приложением машинного обучения и искусственного интеллекта, которое извлекает данные из цифровых фотографий и видео, а затем 4
использует эти данные для вынесения значимых для пользователя суждений. Компьютерное зрение в настоящее время является наиболее востребованным в научном сообществе направлением машинного обучения. Достижения последних лет в этой области компьютерных наук продемонстрировали прорывные изменения, в результате чего алгоритмы машинного обучения превзошли возможности человека. Так, нейронная сеть, например, способна классифицировать изображения, ошибаясь в 1,2% случаев [42], тогда как ошибка человека составляет 5,1% [43]. Сегодня анализ медицинских
изображений - это широкое поле для инноваций в области медицинской визуализации, возможности которого реализуются путем использования медицинского компьютерного зрения с целью выявления патологий и прогноза течения заболевания. Исследователи активно разрабатывают алгоритмы на основе машинного обучения, в том числе по анализу изображений со злокачественными новообразованиями [22].
В соответствии с утверждёнными указом Президента РФ № 203 от 9 мая 2017 года Стратегией развития информационного общества и указом № 490 от 10 октября 2019 года Национальной стратегией развития искусственного интеллекта на период до 2030 года, эта область рассматривается как приоритетная для обеспечения национальных интересов Российской Федерации.
Представленная выпускная квалификационная работа реализует компетенции магистерской программы “Современные информационные технологии в медицине и биологии” в части универсальных компетенций (УК-4, способность применять современные коммуникативные технологии для академического и профессионального взаимодействия),
общепрофессиональных компетенций (ОПК-6, способность творчески применять и модифицировать современные компьютерные технологии, работать с профессиональными базами данных) и профессиональных компетенций (ПК-3, способность использовать современную аппаратуру и вычислительные комплексы в соответствии с направленностью программы магистратуры).
По материалам работы автором была опубликована статья на XIII Международной научно-практической конференции «Актуальные аспекты развития науки и общества в эпоху цифровой трансформации» [9].
Целью работы является применение и адаптация алгоритмов машинного обучения для выявления патологий в МРТ-изображениях головного мозга.
Объектом исследования являются цифровые контрастные МРТ- изображения головного мозга.
В ходе выполнения работы были решены следующие задачи:
- поиск и формирование выборок МРТ-изображений;
- аналитический обзор существующих алгоритмов и систем распознавания объектов;
- разработка алгоритма обнаружения патологий головного мозга и выявления признаков наличия злокачественных новообразований;
- тестирование разработанной программной системы.
Достижение цели исследования реализовано при помощи программы интеллектуального анализа данных Orange Data Mining.
Практическая значимость работы заключается в том, что разработанная программа и база данных изображений могут применяться в учебном процессе для помощи студентам при освоении материала о глубинном обучении. Разработанная модель подходит для разных типов ЭВМ и может быть использована для анализа и обработки изображений в широком спектре предметных областей.
Достоверность полученных результатов и выводов обеспечивается корректным применением математического аппарата и методов математического моделирования; результатами натурного эксперимента;
модельных примерах и реальных данных.
Основные положения, выносимые на защиту ВКР
1. Представляемая в ВКР модель глубинного обучения и диагностики новообразований в головном мозге относится к категории систем искусственного интеллекта.
2. Метод классификации изображений рентгеновских снимков и его сегментов, построенный на основе комплекса алгоритмов, реализующих процедуры морфологической фильтрации, сегментации, модификации границ сегментов и их классификации обеспечивает диагностическую эффективность по классам рентгенограмм головного мозга от 76 до 92%, а по классу сегментов “норма” - 94%.
3. Совокупность научно обоснованных технических и технологических решений, разработанных в рамках данной ВКР, имеет потенциал для повышения уровня оказания медицинской помощи населению.
В рамках решения поставленных задач, были получены следующие основные результаты:
1. Предложена модель построения модульного алгоритма для поддержки принятия врачебных решений.
2. На основе глубинного обучения выполнена классификация МРТ- изображений головного мозга.
3. Предлагаемая модель может быть обобщена для Интернет- приложения с интеллектуальным агентом, что особенно актуально в условиях ограниченного числа врачей-специалистов.
4. Разработанный алгоритм обладает точностью до 91,7% и величиной AUC до 0,96.
В представленной работе средства интеллектуального анализа данных были использованы для классификации медицинских данных. Предлагаемая модель может использовать набор данных МРТ-изображений головного мозга в качестве входных данных для классификации изображений и обнаружения опухолей на изображениях. Был предложен подход к распознаванию опухолей головного мозга, и эта модель позволяет различать опухолевые и неопухолевые изображения. В будущем эта модель может быть использована в сочетании с различными МРТ-изображениями для создания диагностической системы для диагностики других заболеваний головного мозга, таких как деменция, инсульт, болезнь Альцгеймера и болезнь Паркинсона. Алгоритм может быть модифицирован и для диагностики прочих видов новообразований. Результаты этой работы могут принести пользу всем заинтересованным сторонам (врачам, исследователям, пациентам) и способствовать развитию интеллектуального анализа данных в сфере здравоохранения в целом. Можно утверждать, что будущее
медицинской информатики выиграет от экспоненциально увеличивающегося объема цифровых данных в здравоохранении, применения и совершенствования инструментов интеллектуального анализа данных.
1. Предложена модель построения модульного алгоритма для поддержки принятия врачебных решений.
2. На основе глубинного обучения выполнена классификация МРТ- изображений головного мозга.
3. Предлагаемая модель может быть обобщена для Интернет- приложения с интеллектуальным агентом, что особенно актуально в условиях ограниченного числа врачей-специалистов.
4. Разработанный алгоритм обладает точностью до 91,7% и величиной AUC до 0,96.
В представленной работе средства интеллектуального анализа данных были использованы для классификации медицинских данных. Предлагаемая модель может использовать набор данных МРТ-изображений головного мозга в качестве входных данных для классификации изображений и обнаружения опухолей на изображениях. Был предложен подход к распознаванию опухолей головного мозга, и эта модель позволяет различать опухолевые и неопухолевые изображения. В будущем эта модель может быть использована в сочетании с различными МРТ-изображениями для создания диагностической системы для диагностики других заболеваний головного мозга, таких как деменция, инсульт, болезнь Альцгеймера и болезнь Паркинсона. Алгоритм может быть модифицирован и для диагностики прочих видов новообразований. Результаты этой работы могут принести пользу всем заинтересованным сторонам (врачам, исследователям, пациентам) и способствовать развитию интеллектуального анализа данных в сфере здравоохранения в целом. Можно утверждать, что будущее
медицинской информатики выиграет от экспоненциально увеличивающегося объема цифровых данных в здравоохранении, применения и совершенствования инструментов интеллектуального анализа данных.
Подобные работы
- Нейросетевые методы повышения качества медицинских изображений для обнаружения и сегментации опухолей
Бакалаврская работа, информатика. Язык работы: Русский. Цена: 4360 р. Год сдачи: 2021