Работа посвящена построению модели сверточной нейронной сети для распознавания медицинских изображений на примере базы рентгеновских снимков пациентов с установленным диагнозом опухоль мозга. Предложена модель сверточной нейронной сети, архитектура которой включает два сверточных слоя и один полносвязный слой. Проведено сравнение результатов достоверности и точности построенного классификатора с результатами, полученными на основе предварительно обученных моделей VGG-16, VGG-19, Inception-V3, InceptionResNet-V2, ResNet-50, ResNet-152 и Xception. Рассмотренные модели CNN на тестовом наборе данных достигли достоверности распознавания изображений от 95.36 % до 98.84 %. Наивысшей достоверности результатов в решении задачи распознавания опухоли мозга достигли модели VGG-16, VGG-19, Xception и предложенная модель. Однако время обучения построенных моделей различается в зависимости от архитектуры нейронной сети. При этом для предложенной модели CNN не выявленных признаков заболевания среди образцов рентгеновских снимков пациентов с установленным диагнозом опухоль мозга оказалось 0.783 %. Предложенная нейросетевая модель может выступать как дополнительный инструмент врача при диагностике опухоли головного мозга. Внедрение алгоритмов компьютерного зрения в ежедневную работу врача позволит оперативно провести дообследование пациента, поставить диагноз и своевременно провести лечение. Применение сервисов на основе алгоритмов искусственного интеллекта способно сократить общее время на проведение диагностических исследований, выявить патологии на ранней стадии заболевания и с большей вероятностью ожидать, что лечение приведет к положительным результатам.
1. Солодовников В.И., Бочкарев П.В., Кузьмицкий А.А., Газов А.И., Панищев В.С., Сирота Е.С. Алгоритмы распознавания органов на изображениях мультиспиральной компьютерной томографии. Биомедицинская радиоэлектроника. 2019;22(7):39–46. DOI: 10.18127/j15604136-201907-05
2. Эль-Хатиб С.А., Скобцов Ю.А. Компьютерная система сегментации медицинских изображений методом муравьиных колоний. Радиоэлектроника, информатика, управление. 2015;3:49–57. DOI 10.15588/1607-3274-2015-3-6
3. Danilov V.V., Gerget O.M., Skirnevskiy I.P., Manakov R.A., Kolpashchikov D.Y. Segmentation based on propagation of dynamically changing superpixels. Programming and Computer Software. 2020;46(3):195–206. DOI: 10.31857/S0132347420030048
4. Khvostikov A., Krylov A., Mikhailov I., Kharlova O., Oleynikova N., Malkov P. Automatic mucous glands segmentation in histological images. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLII-2/W12, 2019. Int. Worksh. on “Photogrammetric & Computer Vision Techniques for Video Surveillance, Biometrics and Biomedicine”, 13-15 May 2019, Moscow, Russia.
5. Bakas S., Reyes M., Jakab A., Bauer S., Rempfler M., Crimi A. et al., Identifying the Best Machine Learning Algorithms for Brain Tumor Segmentation, Progression Assessment, and Overall Survival Prediction in the BRATS Challenge, arXiv preprint arXiv:1811.02629, 2018.
6. Simonyan K. & Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition. arXiv preprint: arXiv 1409.1556, 2014. Доступно по: https://arxiv.org/pdf/1409.1556.pdf (дата обращения 06.10.2021)
7. Szegedy C., Vanhoucke V., Ioffe S., Shlens J. Rethinking the Inception Architecture for Computer Vision. arXiv preprint: arXiv:1512.00567v3, 2015. Доступно по: https://arxiv.org/pdf/1512.00567v3.pdf (дата обращения 06.10.2021)
8. Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun. Deep Residual Learning for Image Recognition. arXiv preprint: arXiv: 1512.03385v1, 2015. Доступно по: https://arxiv.org/pdf/1512.03385.pdf (дата обращения 06.10.2021)
9. Mingxing Tan, Quoc V. Le. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. arXiv preprint: arXiv: 1905.11946v5, 2020. Доступно по: https://arxiv.org/pdf/1905.11946v5.pdf (дата обращения 06.10.2021)
10. Rehman, A., Naz, S., Razzak, M.I. et al. A Deep Learning-Based Framework for Automatic Brain Tumors Classification Using Transfer Learning. Circuits, Systems, and Signal Processing. 2020;39:757–775. https://doi.org/10.1007/s00034-019-01246-3
11. Hassan Ali Khan, Wu Jue, Muhammad Mushtaq and Muhammad Umer Mushtaq. Brain tumor classification in MRI image using convolutional neural network. Mathematical Biosciences and Engineering. 2020;17(5):6203–6216. DOI: 10.3934/mbe.2020328
12. Доступные модели приложений Keras. Доступно по: https://keras.io/api/applications/ (дата обращения 06.05.2021).
13. База данных изображений рентгеновских снимков головного мозга. Доступно по: https://www.kaggle.com/preetviradiya/brian-tumor-dataset (дата обращения 06.05.2021)
14. Kingma D.P., Ba J. Adam: A Method for Stochastic Optimization. Proceedings of the 3rd International Conference on Learning Representations (ICLR). arXiv preprint arXiv:1412.6980, 2014.
15. База данных изображений ImageNet. Доступно по: https://www.image-net.org/update-mar-11-2021.php (дата обращения 06.05.2021).
16. Abd El Kader, I.; Xu, G.; Shuai, Z.; Saminu, S.; Javaid, I.; Salim Ahmad, I. Differential Deep Convolutional Neural Network Model for Brain Tumor Classification. Brain Sciences. 2021;11:352. https://doi.org/10.3390/brainsci11030352
17. Shaik Basheera and M. Satya Sai Ram. Classification of Brain Tumors Using Deep Features Extracted Using CNN. Journal of Physics: Conf. Series 1172 (2019) 012016 International Conference on Applied Physics, Power and Material Science. DOI: 10.1088/1742-6596/1172/1/012016
18. Díaz-Pernas F.J., Martínez-Zarzuela M., Antón-Rodríguez M., González-Ortega D.A. Deep Learning Approach for Brain Tumor Classification and Segmentation Using a Multiscale Convolutional Neural Network. Healthcare. 2021;9:153. https://doi.org/10.3390/healthcare9020153
19. Das S., Aranya O.F.M.R.R. and Labiba N.N. Brain Tumor Classification Using Convolutional Neural Network. 2019 1st International Conference on Advances in Science, Engineering and Robotics Technology (ICASERT), 3-5 May 2019, Dhaka, Bangladesh. 2019, DOI: 10.1109/ICASERT.2019.8934603.
20. Ali Mohammad Alqudah, Hiam Alquraan, Isam Abu Qasmieh, Amin Alqudah, Wafaa Al-Sharu. Brain Tumor Classification Using Deep Learning Technique – A Comparison between Cropped, Uncropped, and Segmented Lesion Images with Different Sizes International Journal of Advanced Trends in Computer Science and Engineering. 2019;8(6):3684–3691.
21. Seetha J., Raja S.S. Brain Tumor Classification Using Convolutional Neural Networks. Biomed Pharmacology Journal. 2018;11(3). DOI: https://dx.doi.org/10.13005/bpj/1511
22. Мусатян С.А., Ломакин А.В., Сартасов С.Ю., Попыванов Л.К., Монахов И.Б., Чижова А.С. Способы сегментации медицинских изображений. Труды Института системного программирования РАН. 2018;30(4):183–194. https://doi.org/10.15514/ISPRAS-2018-30(4)-12
23. Kang J., Ullah Z., Gwak J. MRI-Based Brain Tumor Classification Using Ensemble of Deep Features and Machine Learning Classifiers. Sensors. 2021;21:2222. https://doi.org/10.3390/s21062222
