Алгоритм подготовки набора данных для обучения нейронных сетей на примере задачи анализа радиологических изображений лёгких

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.

1. The 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.

2. 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.

3. 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.

4. Preparing Medical Imaging Data for Machine Learning / M. J. Willemink [et al.] // Radiology. 2020. Vol. 295, No 1. Р. 4-15. https://doi.org/10.1148/radiol.2020192224.

5. 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.

6. 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.

7. 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.

8. Bhanja, S. Impact of Data Normalization on Deep Neural Network for Time Series Forecasting [Electronic Resource] / S. Bhanja, A. Das. 2018. https://doi.org/10.48550/ARXIV.1812.05519.

9. 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.

10. Grad-CAM: Visual Explanations from Deep Networks via Gradient-based Localization / R. Selvaraju Ramprasaath [et al.]. 2019. https://arxiv.org/pdf/1610.02391.pdf.