bsuirДоклады БГУИРDoklady BGUIR1729-76482708-0382БГУИР10.35596/1729-7648-2023-21-1-98-103bsuir-3571Research ArticleКРАТКИЕ СООБЩЕНИЯSHORT NOTESСистема поддержки принятия решений для диагностики патологий сердечно-сосудистой системы по рентгеновским изображениям грудной клеткиDecision Making Support System for the Diagnostics of the Cardiovascular System Pathologies by the X-ray Images of the ChestРаджабовА. Г.RadzhabovA. G.

Раджабов Ахмедхан Гаджимаммяевич, аспирант, младший научный сотрудник

220141,г. Минск, ул. Руссиянова, 50

+375 33 385-23-20

Radzhabov Ahmedkhan Gadgimammyaevich, Postgraduate, Junior Researcher 

220141, Russiyanova St., 50

+375 33 385-23-20

axmegxah@outlook.comОбъединенный институт проблем информатики Национальной академии наук БеларусиThe United Institute of Informatics Problems of the National Academy of Sciences of Belarus20230203202321198103Copyright © Раджабов А.Г., 20232023Раджабов А.Г.Radzhabov A.G.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/3571

Отсутствие универсальных (генерализированных) наборов данных и недостаток аннотированных данных делают необходимым исследование возможностей нейросетевых подходов для конкретных наборов данных. Важность построения алгоритмов для обнаружения внелёгочных патологий на рентгеновских изображениях грудной клетки продиктована социальной значимостью заболеваний данной группы (например, сердечно-сосудистых), условиями доступности таких изображений ввиду широкого распространения малоинвазивных и относительно дешевых рентгенологических методов диагностики. Одна из важных проблем при решении задач автоматизации классификации медицинских изображений – подготовка данных. В результате работы над базой изображений удалось повысить производительность итогового алгоритма с 75 до 95 %. Для медицинских учреждений обработка всего объема получаемых изображений и проведение их диагностики по широкому списку патологий затруднены ограниченностью ресурсов. В связи с чем целесообразно использовать автоматизацию процессов сегментации и распознавания, что уже на первых этапах ее применения дает возможность врачам перераспределить внимание на потенциально патологические случаи и обратить повторно внимание на те, которые ошибочно были идентифицированы как непатологические.

The lack of universal (generalized) data sets, as well as the lack of annotated data, creates the need to study the possibilities of neural network approaches for specific data sets. The importance of building algorithms for detecting extrapulmonary pathologies on chest X-ray images is dictated by the great social significance of many diseases of this group (for example, cardiovascular diseases), given the availability of such images, due to the widespread use of minimally invasive and relatively cheap X-ray diagnostic methods. One of the most impor tant issues in solving the problems of automating the classification of medical images is data preparation. As a result of work on the image base, the performance of the final algorithm has been increased from 75 to 95 %. The processing of the entire volume of the obtained images and their diagnostics for a wide list of pathologies are difficult for medical institutions because of the limited resources. In this regard, it is advisable to use the automation of segmentation and recognition processes, which even at the first stages of development of the technology makes it possible to redistribute the attention of doctors, focusing on potentially pathological cases and returning attention to cases mistakenly identified as non-pathological.

глубокое обучениевнелёгочные патологииподготовка данныхпредобученные нейронные сетиклассификацияdeep learningextrapulmonary pathologiesdata preparationpretrained neural networksclassificationReferencesКанюков, В. Н. Компьютерные технологии в медико-биологических исследованиях / В. Н. Канюков, Р. Р. Григорьев, А. Д. Стрекаловская. Оренбург: Оренб. госуд. ун-т, 2009. Ч. 1. 109 с.Kanyukov V. N. (2009) Computer Technologies in Biomedical Research. Ch. 1. Orenburg, GOU ORG. 109. (in Russian).Shortliffe, E. H. Computer-based Medical Consultations: MYCIN / Е. Н. Shorliffe. New York: Elsevier Computer Science Library, 1976. 286 p.Shortiffe E. H. (1976) Computer-Based Medical Consultations: MYCIN. New York, Elsevier Computer Science Publi. Comp. 286.Пеккер, Я. С. Компьютерные технологии в медико-биологических исследованиях. Сигналы био ло гического происхождения и медицинские изображения / Я. С. Пеккер, К. С. Бразовский. Томск: Изд-во Томск. политех. ун-та, 2002. 240 с.Pekker Ya. S. (2002) Computer Technologies in Biomedical Research. Biological Signals and Medical Imaging. Tomsk, Tomsk Polytechnic University Publ. 240 (in Russian).Гудфеллоу, Я. Д. Глубокое обучение / Я. Д. Гудфеллоу. СПб.: ДМК, 2017. 652 с.Gudfellou Ya. D. (2017) Deep Learning. Saint Petersburg, DMK. 652.PadChest: a Large Chest X-ray Image Dataset with Multi-label Annotated Reports / А. Bustos [et al.] // Medical Image Analysis. 2020. Vol. 66.Bustos A., Pertusa A., Salinas J.-M., de la Iglesia-Vayá M. (2020) PadChest: a Large Chest X-ray Image Dataset with Multi-label Annotated Reports. Medical Image Analysis. 66.Han, Y. Cross-Modal Contrastive Learning for Abnormality Classification and Localization in Chest X-rays with Radiomics Using a Feedback Loop / Y. Han, B. Glicksberg // arXiv. 2021. https://arxiv.org/pdf/2104.04968.pdf. Date of access: 25.11.2021.Han Y., Glicksberg B. (2021) Cross-Modal Contrastive Learning for Abnormality Classification and Localization in Chest X-Rays with Radiomics Using a Feedback Loop. arXiv. https://arxiv.org/pdf/2104.04968.pdf (Accessed 25 November 2021).MoCo-CXR: MoCo Pretraining Improves Representation and Transferability of Chest X-ray Models / H. Sowrirajan [et al.] // arXiv. 2021. https://arxiv.org/pdf/2010.05352.pdf. Date of access: 25.11.2021.Sowrirajan H., Yang J., Ng A. Y., Rajpurkar P. (2021) MoCo-CXR: MoCo Pretraining Improves Representation and Transferability of Chest X-Ray Models. arXiv. https://arxiv.org/pdf/2010.05352.pdf (Accessed 25 November 2021).Chen, X. Deep Mask for X-Ray Based Heart Disease Classification / Х. Chen, B. Shi // arXiv. 2018. https:// arxiv.org/abs/1808.08277. Date of access: 25.11.2021.Chen X., Shi B. (2018) Deep Mask for X-Ray Based Heart Disease Classification. arXiv. https://arxiv.org/abs/1808.08277 (Accessed 25 November 2021).Radzhabov, A. Performance Analysis of Deep Learning Models for Heart Segmentation in Chest X-ray Images on a Small Dataset / А. Radzhabov, V. Kovalev // International Conference on Pattern Recognition and Information Processing. 2021.Radzhabov A., Kovalev V. (2021) Performance Analysis of Deep Learning Models for Heart Segmentation in Chest X-ray Images on a Small Dataset. International Conference on Pattern Recognition and Information Processing.Tan, M. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks / М. Tan, Q. V. Le // arXiv. 2020. https://arxiv.org/pdf/1905.11946.pdf. Date of access: 25.11.2021.Tan M., Le Q. V. (2020) EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. arXiv. https://arxiv.org/pdf/1905.11946.pdf (Accessed 25 November 2021).

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