ВВЕДЕНИЕ 3
1 Предметная область 4
1.1 Методы исследования органов дыхания 4
1.2 Формат DICOM 5
1.3 Рентгенологические феномены поражений легких 5
2 Основные понятия нейронных сетей 8
2.1 Нейрон 8
2.2 Функция активации 8
2.3 Нейронная сеть 11
2.4 Функция потерь 12
2.5 Оптимизатор нейронной сети 14
2.6 Обратное распространение ошибки 15
2.7 Обобщающая способность 15
3 Свёрточные нейронные сети 17
3.1 Свёрточный слой 17
3.2 Слой субдискретизации 18
3.3 Архитектуры свёрточных нейронных сетей 19
3.4 Передача обучения 22
4 Данные для исследования 23
4.1 Основные сведения 23
4.2 Классы 24
4.3 Разметка данных 25
4.4 Переход от патологий к феноменам 26
4.5 Расширение набора данных 27
5 Метрики классификации 28
6 Исследование 32
6.1 Тип задачи 32
6.2 Инструменты реализации 32
6.3 Предобработка данных 33
6.4 Архитектура модели 34
6.5 Параметры обучения 36
6.6 Результаты 36
ЗАКЛЮЧЕНИЕ 38
ЛИТЕРАТУРА 39
Медицинская визуализация играет важную роль в современной диагностике и лечении заболеваний. Одним из наиболее популярных и доступных методов визуализации является рентгенография. Рентгеновские снимки широко применяются для выявления различных феноменов и на основе их сочетаний специалисты могут ставить точные диагнозы. Однако анализ рентгеновских изображений требует значительного опыта и времени, что может быть особенно проблематично в условиях высокой нагрузки на медицинский персонал. Автоматизация этого процесса с использованием современных технологий имеет потенциал существенно облегчить работу рентгенологов, повысить скорость диагностики и улучшить её точность.
В последние годы глубокие нейронные сети, в частности свёрточные нейронные сети (Convolutional Neural Networks, CNN), продемонстрировали выдающиеся результаты в задачах анализа медицинских изображений [1]. CNN способны автоматически извлекать сложные признаки из изображений, что делает их особенно эффективными для распознавания локальных паттернов и пространственных зависимостей.
Однако подавляющее большинство существующих исследований в этой области сосредоточено на бинарной классификации отдельных патологий [2]. В реальной клинической практике на одном рентгеновском снимке могут одновременно присутствовать несколько феноменов. Это порождает задачу многометочной (multi-label) классификации, в которой модель должна прогнозировать сразу несколько независимых классов.
Целью данной работы является исследование подхода к многометочной классификации феноменов на рентгеновских снимках грудной клетки с помощью свёрточных нейронных сетей.
Для достижения этой цели были поставлены следующие задачи:
1. Изучить предметную область - медицинские снимки и их особенности;
2. Изучить архитектуру свёрточных нейронных сетей;
3. Найти и подготовить подходящий набор данных;
4. Выбрать и адаптировать архитектуру модели;
5. Обучить модель и оценить её качество;
6. Проанализировать результаты и сделать выводы.
В данной работе была исследована методика многометочной классификации феноменов на рентгеновских снимках грудной клетки с использованием модифицированной архитектуры свёрточной нейронной сети DenseNet.
В ходе работы была подробно изучена специфика медицинских изображений, выполнена агрегация противоречивых аннотаций рентгенологов и осуществлён переход от прогнозирования конкретных патологий к выделению трёх ключевых феноменов: «Сердечно-сосудистые аномалии», «Затемнение лёгочного поля» и «Просветление лёгочного поля».
Полученные результаты подтверждают, что предложенный подход способен надёжно выявлять сразу несколько клинически значимых феноменов на одном рентгеновском снимке.
