Методика исследования нейросетевых дескрипторов при решении задачи поиска анатомических слоев на изображениях компьютерной томографии лёгких

Поиск анатомических слоев на изображениях компьютерной томографии лёгких позволит упростить задачу диагностирования и планирования лечения, а также автоматизирует процесс разметки изображений при подготовке обучающей выборки. В статье предлагаются методика сравнения нейросетевых дескрипторов и выбор оптимального нейросетевого метода поиска схожих анатомических областей, гибридный алгоритм поиска, основанный на совместном использовании традиционных и нейросетевых дескрипторов. Такой алгоритм позволил улучшить результат нейросетевого поиска анатомических паттернов, выраженный в миллиметрах до искомого слоя, на 47 % для первых десяти найденных изображений класса сердца и на 18 % – для изображений с позициями от 10 до 100. Итоговый результат поиска анатомической области улучшился по сравнению с традиционными подходами на 9,7 % для найденных изображений с позициями от 10 до 100 и на 2 % – для первых десяти найденных изображений.

1. Willemink, M. J. Preparing Medical Imaging Data for Machine Learning / M. J. Willemink, W. A. Koszek, C. Hardell // Radiology. 2020. Vol. 295, No 1. Р. 4-15. https://doi.org/10.1148/radiol.2020192224.

2. Косарева, А. А. Определение схожего анатомического участка на КТ-изображении грудной клетки с использованием традиционных методов выделения признаков изображения / А. А. Косарева, П. В. Камлач, В. А. Ковалев // Доклады БГУИР. 2022. Т. 20, № 5. С. 48-56.

3. MosMedData: Chest CT Scans with COVID-19 Related Findings Dataset / S. P. Morozov [et al.] // arXiv:2005.06465.

4. Исследование и подготовка архива КТ-изображений патологий легких для системы автоматического поиска заданного анатомического участка / А. А. Косарева [и др.] // BIG DATA и анализ высокого уровня: сб. науч. ст. VII Междунар. науч.-практ. конф., г. Минск, 19-20 мая 2021 г. Минск: Бестпринт, 2021. С. 253-257.

5. Xiu, Liu. Deep Learning Approaches to Image Texture Analysis in Material Processing / Xiu Liu, Chris Aldrich // Metals. 2022. Vol. 12, No 2. https://doi.org/10.3390/met12020355.

6. Yadav, S. S. Deep Convolutional Neural Network Based Medical Image Classification for Disease Diagnosis / S. S. Yadav, S. M. Jadhav // Journal Big Data. 2019. No 6. https://doi.org/10.1186/s40537-019-0276-2.

7. Krizhevsky, A. ImageNet Classification with Deep Convolutional Neural Networks / A. Krizhevsky, I. Sutskever, G. E. Hinton // Communications of the ACM. 2017. Vol. 60, No 6. Р. 84-90. https://doi.org/10.1145/3065386.

8. Simonyan, K. Very Deep Convolutional Networks for Large-Scale Image Recognition / К. Simonyan, A. Zisserman // arXiv:1409.1556. 2014. Vol. 1.

9. Deep Residual Learning for Image Recognition / He Kaiming [et al.] // arXiv:1512.03385. 2015.

10. MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications / A. G. Howard [et al.] // arXiv:1704.04861v1. 2017.

11. Big Transfer (BiT): General Visual Representation Learning / A. Kolesnikov [et al.] // arXiv:1912.11370. 2019.

12. Mingxing Tan. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks / Mingxing Tan, Quoc V. Le // arXiv:1905.11946. 2019.

13. Chollet, F. Xception: Deep Learning with Depthwise Separable Convolutions / F. Chollet // Conference on Computer Vision and Pattern Recognition. 2017.

14. Поиск схожих анатомических областей на КТ-изображениях легких с использованием сверточных нейронных сетей / А. А. Косарева [и др.] // BIG DATA и анализ высокого уровня: сб. науч. ст. VIII Междунар. науч.-практ. конф., г. Минск, 11-12 мая 2022 г. Минск: Белор. гос. ун-т информ. и радиоэлек., 2022. С. 476-482.