Research output: Contribution to journal › Article › peer-review
Нейросетевая интерпретация рентгенологического изображения грудной клетки: современные возможности и источники ошибок. / Блинов, Д.С.; Лобищева, А.Е.; Варфоломеева , А. А.; Камышанская, И.Г.; Блинова, Е.В.
In: Проблемы стандартизации и здравоохранения, No. 9-10, 2019, p. 4-9.Research output: Contribution to journal › Article › peer-review
}
TY - JOUR
T1 - Нейросетевая интерпретация рентгенологического изображения грудной клетки: современные возможности и источники ошибок
AU - Блинов, Д.С.
AU - Лобищева, А.Е.
AU - Варфоломеева , А. А.
AU - Камышанская, И.Г.
AU - Блинова, Е.В.
N1 - Блинов Д.С., Лобищева А.Е., Варфоломеева А.А., Камышанская И.Г., Блинова Е.В. Нейросетевая интерпретация рентгенологического изображения грудной клетки: современные возможности и источники ошибок. Проблемы стандартизации в здравоохранении. 2019; 9−10: 4−9. DOI: 10.26347/1607−2502201909−10004−009
PY - 2019
Y1 - 2019
N2 - Цель исследования. Проанализировать функциональные возможности различных типов нейронных сетей в анализе рентгенологических изображений грудной клетки и определить подходы к устранению источников ошибок сети. Материал и методы. Использовались сети трех архитектур: нейронную сеть с обучением методом обратного распространения ошибки (BPNN), нейронную сеть, работающую по конкурентному принципу (CpNN) и глубокую сверточную нейронную сеть (CNN), разработанные специалистами Care Mentor (Россия). Для обучения сетей по 12 рентгенологическим синдромам и оценки эффективности работы применяли раздельные наборы цифровых изображений рентгенограмм органов грудной клетки в прямой проекции размером 32 ½ 32 пикселя в форматах JPEG или PNG, полученные из открытой базы Chestx-ray8. Источники ошибок сетей определяли экспертно-аналитическим методом.Результаты. Точность BPNN в распознавании отдельных рентгенологических феноменов на уровне 81,03% достигалась при невысоких затратах времени на обучение, умеренном числе повторений. Значение среднеквадратического отклонения не превышало 0,0026. CpNN в силу особенностей архитектуры и самообучающего алгоритма при минимальных затратах времени на обучение позволяла повышать точность определения отдельного рентгенологического синдрома до 90,12%, однако величина погрешности была относительно высокой. Испытания CNN на тестовой совокупности изображений показали наилучшие результаты по точности распознавания рентгенологических изменений и величине погрешности, тогда как ресурсные затраты на обучение были наибольшими. Основными источниками ошибок являются: ошибки, обусловленные самой архитектурой нейронной сети и алгоритмом ее обучения; ошибки, связанные с некорректной разметкой обучающих изображений; ошибки, ассоциированные с качеством анализируемых изображений.Заключение. Повышение точности и эффективности методов машинного анализа рентгенологических изображений может быть связано с совершенствованием алгоритмов обучения нейронных сетей, точности разметки и качества изображений
AB - Цель исследования. Проанализировать функциональные возможности различных типов нейронных сетей в анализе рентгенологических изображений грудной клетки и определить подходы к устранению источников ошибок сети. Материал и методы. Использовались сети трех архитектур: нейронную сеть с обучением методом обратного распространения ошибки (BPNN), нейронную сеть, работающую по конкурентному принципу (CpNN) и глубокую сверточную нейронную сеть (CNN), разработанные специалистами Care Mentor (Россия). Для обучения сетей по 12 рентгенологическим синдромам и оценки эффективности работы применяли раздельные наборы цифровых изображений рентгенограмм органов грудной клетки в прямой проекции размером 32 ½ 32 пикселя в форматах JPEG или PNG, полученные из открытой базы Chestx-ray8. Источники ошибок сетей определяли экспертно-аналитическим методом.Результаты. Точность BPNN в распознавании отдельных рентгенологических феноменов на уровне 81,03% достигалась при невысоких затратах времени на обучение, умеренном числе повторений. Значение среднеквадратического отклонения не превышало 0,0026. CpNN в силу особенностей архитектуры и самообучающего алгоритма при минимальных затратах времени на обучение позволяла повышать точность определения отдельного рентгенологического синдрома до 90,12%, однако величина погрешности была относительно высокой. Испытания CNN на тестовой совокупности изображений показали наилучшие результаты по точности распознавания рентгенологических изменений и величине погрешности, тогда как ресурсные затраты на обучение были наибольшими. Основными источниками ошибок являются: ошибки, обусловленные самой архитектурой нейронной сети и алгоритмом ее обучения; ошибки, связанные с некорректной разметкой обучающих изображений; ошибки, ассоциированные с качеством анализируемых изображений.Заключение. Повышение точности и эффективности методов машинного анализа рентгенологических изображений может быть связано с совершенствованием алгоритмов обучения нейронных сетей, точности разметки и качества изображений
UR - https://elibrary.ru/item.asp?id=41498182
UR - https://ps.newdiamed.ru/issue/id102541/id102550
M3 - статья
SP - 4
EP - 9
JO - ПРОБЛЕМЫ СТАНДАРТИЗАЦИИ В ЗДРАВООХРАНЕНИИ
JF - ПРОБЛЕМЫ СТАНДАРТИЗАЦИИ В ЗДРАВООХРАНЕНИИ
SN - 1607-2502
IS - 9-10
ER -
ID: 52311232