Тема: АДАПТИВНЫЙ КЛАССИФИКАТОР ПАТОЛОГИЙ ДЛЯ КОМПЬЮТЕРНОЙ ДИАГНОСТИКИ ЗАБОЛЕВАНИЙ С ИСПОЛЬЗОВАНИЕМ СВЕРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ ПО МЕДИЦИНСКИМ ИЗОБРАЖЕНИЯМ И ВИДЕОДАННЫМ

В настоящее время процесс медицинской диагностики различных заболеваний, регистрируемых с помощью аппаратуры, визуализирующей исследуемые органы пациента в статическом (изображения) или динамическом (видеоданные) виде, все больше изменяется в направлении автоматизации рутинных действий медицинского специалиста и применения средств поддержки принятия решений при постановке диагноза. Данные тенденции проявляются благодаря развитию компьютерных систем медицинской диагностики, позволяющих обнаружить и локализовать патологию заболевания на ранних стадиях развития болезни, а также дать вероятностную оценку при постановке диагноза. Однако по причине того, что данная отрасль является достаточно молодой, а применяемые методы являются плохо формализуемыми, существующие на данный момент решения в сфере компьютерной диагностики заболеваний на медицинских изображениях и видеоданных зачастую все еще не обеспечивают требуемую для медицинской практики точность. Поэтому задача разработки подхода к формированию наиболее эффективной и высокоточной модели распознавания патологий для таких систем, устойчивой к изменениям данных, является актуальной.
В последние годы множество научных групп по всему миру занимаются задачей разработки новых и модификации существующих подходов к ранней компьютерной диагностике заболеваний на медицинских изображениях и видеоданных. Основные усилия исследователей направлены на улучшение процесса детектирования патологий путем расширения признакового пространства для выделенных областей интереса, предположительно, являющихся патологиями, повышения точности расчета значений признаков областей интереса, а также применения наиболее современных и эффективных моделей классификации патологий, свойственных определенным заболеваниям. В большинстве современных 11
исследовательских работ для осуществления одного из ключевых этапов компьютерной диагностики, связанного с классификацией предполагаемых патологий, используются сверточные нейронные сети (СНС), как одни из наиболее эффективных моделей распознавания образов сложных объектов на изображении. Однако сложность применения данной модели заключается в отсутствии формализованного подхода к формированию архитектуры данного вида искусственных нейронных сетей. В существующих исследовательских работах до сих пор остаются практически не рассмотренными вопросы выбора наиболее эффективных параметров архитектуры сверточных нейронных сетей, которые в значительной степени могут оказывать влияние на точность классификации патологий и качество работы системы диагностики в целом. Рассмотрение именно этого вопроса является основным в представленном исследовании.
В данной работе рассматривается проблема недостаточной точности детектирования патологий при диагностике заболеваний на медицинских изображениях и видеоданных. Объектом исследования является процесс ранней компьютерной диагностики заболеваний на медицинских изображениях и видеоданных. Предметом исследования является построение эффективного классификатора для компьютерных систем диагностики заболеваний на медицинских изображениях и видеоданных. Поэтому целью работы является повышение точности компьютерной диагностики заболеваний на медицинских изображениях и видеоданных путем разработки подхода для построения наиболее эффективной архитектуры классификатора с использованием сверточных нейронных сетей.
Для достижения поставленной цели, в работе решался ряд задач:
1. Изучение существующих литературных источников, посвященных компьютерной медицинской диагностике на изображениях и видеоданных.
2. Разработка алгоритма для построения наиболее эффективной архитектуры сверточной нейронной сети и проектирование адаптивной высокоточной модели классификатора с использованием сверточных нейронных сетей.
3. Разработка программной системы для тестирования точности моделей классификации, полученных с помощью предлагаемых подходов.
4. Проведение экспериментов по сравнению качества результатов классификации предложенных моделей, оценка и интерпретация результатов.
При проведении исследований использовались следующие методы: анализ литературных источников, описывающих передовые достижения в области разработки высокоточных моделей классификации, основанных на сверточных нейронных сетях, и обобщение полученной информации; методы компьютерного зрения и машинного обучения для разработки архитектур классификационных моделей на основе сверточных нейронных сетей; проведение экспериментов по классификации набора реальных медицинских данных и сравнение результатов, получаемых с помощью предлагаемых моделей и моделей, широко используемых в прикладных задачах; расчет, визуализация и интерпретация сравнительных данных о результатах проведенных экспериментов.
Научной новизной обладают следующие результаты исследования:
- Предложенный алгоритм формирования наиболее эффективной архитектуры сверточной нейронной сети, основанный на рекомендациях передовых исследований в области построения высокоэффективных классификаторов, использующих сверточные нейронные сети.
- Предложенный подход к формированию адаптивной модели классификатора на основе ансамбля сверточных нейронных сетей путем дифференциации пространства параметров архитектуры сетей, входящих в ансамбль, и выбора архитектур с наиболее различающимися параметрами.
Практическая значимость исследования: разработанный алгоритм формирования наиболее эффективной архитектуры сверточных нейронных сетей позволит формализовать процесс настройки их параметров и получить более точные модели классификации патологий на медицинских изображениях и видеоданных. Разработанный аппарат для формирования адаптивного ансамбля сверточных нейронных сетей позволит повысить устойчивость классификационной модели к изменению данных с минимальной потерей точности классификации. Предложенные в данной работе алгоритмические средства используются в компьютерной системе диагностики рака толстого кишечника, основанной на обработке видеоданных процедуры колоноскопии.
Основная часть магистерской диссертации состоит из трех разделов: в первом разделе рассматривается обзор литературы по тематике исследований; во втором разделе располагается описание предлагаемых подходов к формированию эффективной архитектуры классификатора, основанного на сверточных нейтронных сетях; в третьем разделе описываются эксперименты, проведенные с целью оценки эффективности предлагаемых подходов для классификации патологий на данных прикладной задачи ранней диагностики рака толстого кишечника.
Купить

В данной выпускной квалификационной работе решалась проблема недостаточной точности детектирования патологий в компьютерных системах медицинской диагностики на изображениях и видеоданных путем разработки подхода к формированию наиболее эффективной архитектуры классификатора с использованием сверточных нейронных сетей.
Основными результатами работы являются:
- Разработанный алгоритм для формирования наиболее эффективной архитектуры сверточной нейронной сети, основанный на составленных рекомендациях к построению архитектуры высокоточных классификаторов типа сверточная нейронная сеть.
- Предложенный подход к созданию адаптивного классификатора, основанного на ансамбле сверточных нейронных сетей, для построения архитектуры которых используется разработанный алгоритм.
- Подтверждение эффективности работы классификационных моделей, полученных с помощью предложенных в работе подходов, при сравнительном тестировании с наиболее часто применяемой моделью классификатора, широко используемого в системах компьютерной диагностики, на реальных медицинских видеоданных задачи детектирования патологий рака прямого кишечника с помощью процедуры колоноскопии.
По результатам проведенного исследования можно заключить, что цель повышения точности детектирования патологий, реализуемая через разработку подхода к построению наиболее эффективной архитектуры классификатора, была успешно достигнута.
Предложенные подходы лягут в основу разработки подсистемы классификатора патологий компьютерной системы медицинской диагностики рака прямого кишечника по видеоданным процедуры колоноскопии. Данная система разрабатывается на базе Научнообразовательного центра компьютерных наук и технологий Томского государственного университета при сотрудничестве с коллегами из Университета штата Аризона, США.
Другим направлением применения результатов проведенного исследования может быть применение их для разработки и модификации различных компьютерных систем медицинской диагностики, обрабатывающих изображения и видеоданные. Полученные в данной работе результаты позволят увеличить точность детектирования патологий и обеспечить адаптивность систем диагностики к изменению исходных данных, что в свою очередь повысит вероятность успешного лечения пациента и сделает вклад в сокращение смертности от одних из самых опасных на сегодняшний день раковых заболеваний.
Выполненная работа делает вклад в развитие исследований, связанных с компьютерным зрением и глубинным машинным обучением.
Купить