Система поддержки принятия решений для диагностики патологий сердечно-сосудистой системы по рентгеновским изображениям грудной клетки

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.

1. Канюков, 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.

2. Shortliffe, E. H. Computer-based Medical Consultations: MYCIN / Е. Н. Shorliffe. New York: Elsevier Computer Science Library, 1976. 286 p.

3. 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.

4. Гудфеллоу, Я. Д. Глубокое обучение / Я. Д. Гудфеллоу. СПб.: ДМК, 2017. 652 с.

5. PadChest: a Large Chest X-ray Image Dataset with Multi-label Annotated Reports / А. Bustos [et al.] // Medical Image Analysis. 2020. Vol. 66.

6. 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.

7. 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.

8. 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.

9. 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.

10. 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.