Повышение качества и оперативности идентификации специальных состояний мониторируемых объектов на основе разработки математического и программного обеспечения обработки компьютерных изображений с использованием больших баз данных

Актуальность исследования обусловлена нарастанием заболеваний человека, которые ассоциированы со значительным социально-экономическим ущербом и дающие значительную нагрузку на здравоохранение. В соответствии с рекомендациями ВОЗ система профилактики заболеваний должна включать в себя оценку распространенности, коррекцию, а также контроль факторов риска (WHO, 2009). Особое место в этом комплексе мер занимает система массового мониторинга заболеваний, как механизм оценки ситуации и потребности в реализации профилактических мер, так и способ контроля эффективности реализуемых профилактических мероприятий. В связи с этим данная статья рассматривает создание алгоритма обработки снимков компьютерного томографа легких человека с помощью программного обеспечения. Ведущим методом к исследованию данной проблемы являются нейронные сети. В статье представлена сверточная нейросетевая модель Сhexnet обработки рентгеновских снимков, разработанная учеными из стэнфордского университета. Рассмотрен алгоритм разработки механизма анализа снимков на основе современных рентгеновских снимков органов – снимков компьютерной томографии, которые получают с помощью сложного программно–технического комплекса, имеющего сверхчувствительные детекторы для регистрации рентгеновского излучения, а также обширный пакет программного обеспечения, позволяющий получить снимки с высоким пространственным разрешением. Разработанный алгоритм реализован на основе сверточной сети Densenet, глубина которой составляет 201 слой. В него были внесены изменения в виде применения функции активации ReLU (сокращение от англ. reсtified linear unit), которая позволяет существенно ускорить процесс обучения и одновременно с этим значительно упростить вычисления. Как результат, разработанная сверточная нейронная сеть помогает непрерывности сбора данных, что позволяет совершенствовать процесс принятия стратегических решений, разрабатывать программы действий в области общественного здравоохранения.

1. Беликова Т.П. Моделирование линейных фильтров для обработки рентгеновских изображений в задачах медицинской диагностики. Цифровая оптика. Обработка изображений и полей в экспериментальных исследованиях. М.: Наука, 1990.

2. Гонсалес Р. Цифровая обработка изображений: пер. с англ. Р. Гонсалес, Р. Вудс. – М.: Техносфера, 2005

3. Труфанов Г.Е., Рязанов В.В., Дергунова Н.И. и др. Совмещенная позитронноэмиссонная и компьютерная томография (ПЭТ-КТ) в онкологии. Элби–сПб, 2005

4. Дэн, Цзя, Донг, Вэй, Согэр, Рихард, Ли, Ли – Цзя, Ли, Кай и Фей – Фей, Ли. Imagenet: A крупноформатная иерархическая база данных изображений. В Computer Visiοn и Pattern Reᴄοgnitiοn, 2009: 248–255.

5. Мистюков Б.В., Бурковский В.Л Нейросетевое моделирование динамики нелинейных систем. Вестник воронежского государственного технического университета, 2012;3(12-1):51-56.

6. Васильченко В.А., Бурковский В.Л. Анализ и выбор структуры объектнореляционной СУБД медицинской информационной системы. Вестник воронежского государственного технического университета, 2015;3(3):57–59.

7. Васильченко В.А., Бурковский В.Л. Структура экспертной системы оперативной диагностики и лечения заболеваний легких. Вестник воронежского государственного технического университета, 2016;12(1):28-31.

8. Гончарова Ю.М., Пьяников А.Е, Бурковский В.Л. Нейросетевое моделирование осторого пиелонифрита в эксперименте. Вестник воронежского государственного технического университета. 2012;8(7-1):54-57.

9. Васильченко В.А., Бурковский В.Л., Данилов А.Д. Алгоритмизация процесса распознавания состояний физиологических объектов на основе специальных рентгеновских изображений. Компьютерная оптика. 2019;41(2):296-303.