| DOI | |
| Журнал | Проблеми машинобудування |
| Видавець | Інститут проблем машинобудування ім. А. М. Підгорного Національної академії наук України |
| ISSN | 2709-2984 (print), 2709-2992 (online) |
| Випуск | Том 27, № 2, 2024 (червень) |
| Сторінки | 54–60 |
Автори
В. Д. Конюхов, Інститут проблем машинобудування ім. А. М. Підгорного НАН України (61046, Україна, м. Харків, вул. Комунальників, 2/10), e-mail: riggelllll@gmail.com, ORCID: 0009-0007-0256-1388
С. В. Угрімов, Інститут проблем машинобудування ім. А. М. Підгорного НАН України (61046, Україна, м. Харків, вул. Комунальників, 2/10), e-mail: sugrimov@ipmach.kharkov.ua, ORCID: 0000-0002-0846-4067
Анотація
Кардіоторакальний індекс є одним із основних засобів скринінгу здоров’я серця. Зазвичай вимірювання кардіоторакального індексу виконується вручну лікарем-кардіологом або радіологом. В епоху нейронних мереж, які зараз дуже стрімко розвиваються, ми можемо допомогти лікарям автоматизувати й покращити цей процес. Використання глибокого навчання для сегментації зображень зарекомендувало себе як засіб, який може значно прискорити і вдосконалити процес медичної автоматизації. У даній роботі проведено порівняльний аналіз використання декількох нейронних мереж для сегментації легень і серця на рентгенівських знімках для подальшого вдосконалення автоматичного розрахунку кардіоторакального індексу. Застосовуючи вибірку із 10 тестових знімків, було проведено ручні вимірювання кардіоторакального індексу і 7 варіантів автоматичного вимірювання. Середня точність виміру кардіоторакального індексу найкращої з двох нейронних мереж дорівнює 93,80%, а за допомогою методу, який використовував ансамбль мереж, отримано результат 97,15%, тобто вдалося покращити визначення індексу на 3,35%. Отже, отримані результати вказують на те, що завдяки ансамблю нейронних мереж вдалося покращити результат автоматичного вимірювання, а також свідчать про ефективність і перспективність використання даного методу в медичній сфері.
Ключові слова: машинне навчання, нейронні мережі, глибоке навчання, сегментація зображення, аналіз медичного зображення.
Повний текст: завантажити PDF
Література
- Truszkiewicz K, Poręba R, Gać P. Radiological cardiothoracic ratio in evidence-based medicine. Journal of Clinical Medicine. 2021. Vol. 10. No. 9. Article 2016. https://doi.org/10.3390/jcm10092016.
- Hada Y. Cardiothoracic ratio. Journal of Cardiology. 1995. Vol. 26. Iss. 1. P. 51–54.
- Li W., Jia F., Hu Q. Automatic segmentation of liver tumor in CT images with deep convolutional neural networks. Journal of Computer and Communications. 2015. Vol. 3. No. 11. P. 146–151. http://dx.doi.org/10.4236/jcc.2015.311023.
- Jaeger S, Candemir S, Antani S, Wáng Y.-X. J., Lu P.-X., Thoma G. Two public chest X-ray datasets for computer-aided screening of pulmonary diseases. Quantitative Imaging in Medicine and Surgery. 2014. Vol. 4. No. 6. P. 475–477. http://doi.org/10.3978/j.issn.2223-4292.2014.11.20.
- Ronneberger O., Fischer P., Brox T. U-Net: Convolutional networks for biomedical image segmentation. In: Navab N., Hornegger J., Wells W., Frangi A. (eds). Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. Lecture Notes in Computer Science. Cham: Springer, 2015. Vol. 9351. P. 234–241. https://doi.org/10.1007/978-3-319-24574-4_28.
- Badrinarayanan V., Kendall A., Cipolla R. SegNet: A Deep convolutional encoder-decoder architecture for image segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2017. Vol. 39. No. 12. P. 2481–2495. https://doi.org/10.1109/TPAMI.2016.2644615.
- Kingma D. P., Ba J. Adam: A method for stochastic optimization. Proceedings of the 3rd International Conference on Learning Representations (ICLR 2015). (May 7–9, 2015, San Diego). 2015. 13 p.
- Fletcher S., Islam M. Z. Comparing sets of patterns with the Jaccard index. Australasian Journal of Information Systems. 2018. Vol. 22. 17 p. https://doi.org/10.3127/ajis.v22i0.1538.
Надійшла до редакції 22.04.2024