bsuirДоклады БГУИРDoklady BGUIR1729-76482708-0382БГУИР10.35596/1729-7648-2023-21-1-66-73bsuir-3566Research ArticleЭЛЕКТРОНИКА, РАДИОФИЗИКА, РАДИОТЕХНИКА, ИНФОРМАТИКАELECTRONICS, RADIOPHYSICS, RADIOENGINEERING, INFORMATICSАлгоритм подготовки набора данных для обучения нейронных сетей на примере задачи анализа радиологических изображений лёгкихThe Algorithm for Preparing a Set of Data for Teaching Neural Networks on the Example of the Task to Analyze the Radiological Images of LungsКосареваА. А.KosarevaA. A.

Косарева Александра Андреевна, ассистент кафедры электронной техники и технологии

220013, г. Минск, ул. П. Бровки, 6

+375 17 293-88-60

Kosareva Aleksandra Andreevna, Assistant at the Electronic Engineering and Technology Department

220013, Minsk, P. Brovka St., 6 

+375 17 293-88-60

kosareva@bsuir.byБелорусский государственный университет информатики и радиоэлектроникиBelarusian State University of Informatics and Radioelectronics2023020320232116673Copyright © Косарева А.А., 20232023Косарева А.А.Kosareva A.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://doklady.bsuir.by/jour/article/view/3566

Рассмотрена методика подготовки данных для обучения нейронных сетей на примере решения задач определения модальностей радиологических изображений: трёхмерных изображений компьютерной томографии и двумерных рентгенографических изображений. Предложен алгоритм подготовки данных для обучения свёрточных нейронных сетей. Дана оценка влияния этапов (разметки изображений, нормализации данных, определения динамического диапазона изображения, состава обучающей выборки) алгоритма на результат обучения. Наибольшее влияние при решении задачи проверки модальности оказывает выбор оптимальных значений динамического диапазона. Изменение состава обучающей выборки позволяет повысить точность классификации на 0,0073. При решении задачи проверки модальности изображений компьютерной томографии наибольшее влияние на результат обучения нейронной сети оказывает наличие этапа нормализации данных. Выдвигается предположение о наличии особых признаков изображений этой модальности.

The methodology for preparing data for teaching neural networks is considered in solving two problems: checking the modality of computed tomography and checking the modality of radiographic images. The algorithm for preparing data for neural networks training is proposed. The influence of the stages (marking of images, normalization of data, determining the dynamic image range, the composition of the training sample) of the algorithm for the learning result is evaluated. The greatest influence in solving the task of modality verification of modality was the choice of optimal values of the dynamic range. The change in the composition of the training sample made it possible to increase the accuracy of the classification by 0.0073. When solving the task of checking the modality of images of computed tomography, the most impact on the result of the training of the neural network had the stage of data normalization. The assumption is put forward that there are special signs of images of this modality.

свёрточные нейронные сетиподготовка обучающей выборкинормализация данныхмодальность радиологических изображенийconvolutional neural networktraining data preparationnormalization of datamodality of radiological imagesРабота выполнена при поддержке Белорусского республиканского фонда фундаментальных исследований (проект № Т22МВ-026). Автор выражает благодарность и глубокую признательность к. т. н. Эдуарду Витальевичу Снежко; к. т. н., доценту Василию Алексеевичу Ковалёву и к. т. н., доценту Павлу Викторовичу Камлачу за ценные рекомендации и замечания при работе над статьей.This work was supported by the Belarusian Republican Foundation for Fundamental Research (project No T22MV-026). The author expresses his gratitude and deep gratitude to Cand. of Sci. Eduard Vitalievich Snezhko; Cand. of Sci., Associate Professor Vassili Alekseevich Kovalev and Cand. of Sci., Associate Professor Pavel Viktorovich Kamlach for valuable advice and comments when working on article.ReferencesThe Cancer Imaging Archive (TCIA): Maintaining and Operating a Public Information Repository / K. Clark [et al.] // Journal of Digital Imaging. 2013. Vol. 26, No 6. Р. 1045–1057. https://doi.org/10.1007/s10278-0139622-7.Clark K., Vendt B., Smith K., Freymann J., Kirby J., Koppel P., Moore S., Phillips S., Maffitt D., Pringle M., Tarbox L., Prior F. (2013) The Cancer Imaging Archive (TCIA): Maintaining and Operating a Public Information Repository. Journal of Digital Imaging. 26 (6), 1045–1057. https://doi.org/10.1007/s10278-0139622-7.Solem, J. E. Programming Computer Vision with Python / J. E. Solem. 2012. 300 р. https://www.semanticscholar.org/paper/Programming-Computer-Vision-With-Python-Solem/838f0c5eb0958e88c91ced3e743b951b050a5c79.Solem J. E. (2012) Programming Computer Vision with Python. 300. https://www.semanticscholar.org/paper/Programming-Computer-Vision-With-Python-Solem/838f0c5eb0958e88c91ced3e743b951b050a5c79.Validation of Electronic Medical Record-based Phenotyping Algorithms: Results and Lessons Learned from the eMERGE Network / K. M. Newton [et al.] // Journal Am Med Inform Assoc. 2013. No 20(e1). Р. e147–e154.Newton K. M., Peissig P. L., Kho A. N. [et al.] (2013) Validation of Electronic Medical Record-based Phenotyping Algorithms: Results and Lessons Learned from the eMERGE Network. Journal Am Med Inform Assoc. 20 (e1), e147–e154.Preparing Medical Imaging Data for Machine Learning / M. J. Willemink [et al.] // Radiology. 2020. Vol. 295, No 1. Р. 4–15. doi:10.1148/radiol.2020192224.Willemink M. J., Koszek W. A., Hardell C. [et al.] (2020) Preparing Medical Imaging Data for Machine Learning. Radiology. 295 (1), 4–15. doi: 10.1148/radiol.2020192224.Murphy, A. Windowing (CT) [Electronic Resource] / А. Murphy, Y. Baba // Radiopaedia. Mode of access: https://radiopaedia.org/articles/52108. Date of access: 04.06.2022.Murphy A., Baba Y. (2022) Windowing (CT). Radiopaedia. Available: https://radiopaedia.org/articles/52108. (Accessed 4 June 2022).Mingxing, Tan. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks / Mingxing Tan, Quoc V. Le // In Proceedings of International Conference on Machine Learning (ICML), 2019.Mingxing Tan, Quoc V. Le (2019) EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. In Proceedings of International Conference on Machine Learning (ICML).Поиск схожих анатомических областей на КТ-изображениях лёгких с использованием свёрточных нейронных сетей / А. А. Косарева [и др.] // BIG DATA и анализ высокого уровня: сб. науч. ст. VIII Междунар. науч.-практ. конф., Минск, 11–12 мая 2022 г. / Белорусский государственный университет информатики и радиоэлектроники; редкол.: В. А. Богуш [и др.]. Минск, 2022. С. 476–482.Kosareva А. А., Kamlach P. V., Kovalev V. A., Snezhko E. V., Radzhabov A. G. (2022) Finding a Similar Anatomical Area on the Lung`s CT-Image Using EfficientNet. BIG DATA and Advanced Analysis: Collection of Scientific Articles of the VIII Inter. Scient. and Pract. Conf., Minsk, May 11–12, 2022. 476–482 (in Russian).Bhanja, S. Impact of Data Normalization on Deep Neural Network for Time Series Forecasting [Electronic Resource] / S. Bhanja, A. Das. 2018. doi: 10.48550/ARXIV.1812.05519.Bhanja S., Das A. (2018) Impact of Data Normalization on Deep Neural Network for Time Series Forecasting. doi: 10.48550/ARXIV.1812.05519.Influence of Data Scaling and Normalization on Overall Neural Network Performances in Photoacoustics / Miroslava Ivko Jordovic Pavlovic [et al.] // PREPRINT (Version 1) Available at Research Square, 18 October 2021. https://doi.org/10.21203/rs.3.rs-942309/v1.Miroslava Ivko Jordovic Pavlovic, Katarina Djordjevic, Zarko Cojbasic [et al.] (2021) Influence of Data Scaling and Normalization on Overall Neural Network Performances in Photoacoustics. PREPRINT (Version 1) Available at Research Square, 18 Oct. 2021. https://doi.org/10.21203/rs.3.rs-942309/v1.Grad-CAM: Visual Explanations from Deep Networks via Gradient-based Localization / R. Selvaraju Ramprasaath [et al.]. 2019. https://arxiv.org/pdf/1610.02391.pdf.Ramprasaath R. Selvaraju [et al.] (2019) Grad-CAM: Visual Explanations from Deep Networks via Gradientbased Localization. https://arxiv.org/pdf/1610.02391.pdf.

The authors declare that there are no conflicts of interest present.