Ключевые слова: компьютерное зрение, медицинские изображения, классификация, детектирование, сегментация, нейронные сети, компьютерная томография, мочекаменная болезнь
Применение искусственных нейронных сетей для поиска объектов на медицинских изображениях
УДК 004.931
DOI: 10.26102/2310-6018/2024.46.3.013
Статья посвящена вопросам применения технологий искусственных нейронных сетей для определения объектов на медицинских изображениях, в том числе на изображениях внутренних органов человека, полученных в результате проведения процедуры компьютерной томографии. Целью данного исследования был выбор метода анализа медицинских изображений и его реализация в системе поддержки принятия решений в хирургии и урологии при диагностике мочекаменной болезни человека. В статье исследована применимость для решения различных задач обнаружения объектов на медицинских изображениях методов классификации, детектирования и сегментации. Показано, что для использования в системе поддержки принятия врачебных решений при диагностике мочекаменной болезни с целью планирования дальнейшего хирургического вмешательства лучше всего подходит детектирование. Поэтому в статье рассмотрены основные современные нейросетевые архитектуры, применимые для решения задачи детектирования. Для решения задачи детектирования объектов на медицинских изображениях, полученных по результатам компьютерной томографии внутренних органов человека, обоснована целесообразность применения нейросети архитектуры YOLO. По результатам вычислительного эксперимента выявлены проблемные места, связанные с детектированием сетью YOLO объектов почек и камней. Для повышения точности метода предложено использовать алгоритм нечеткой оценки результатов детектирования объектов нейросетью архитектуры YOLO. Результаты детектирования изображений нейросетью YOLO после ее модификации позволяют провести дальнейшие расчеты параметров найденных объектов для планирования хирургического вмешательства.
1. Мелдо А.А., Уткин Л.В., Трофимова Т.Н. Искусственный интеллект в медицине: современное состояние и основные направления развития интеллектуальной диагностики. Лучевая диагностика и терапия. 2020;11(1):9–17. https://doi.org/10.22328/2079-5343-2020-11-1-9-17
2. Аббасов И.Б., Дешмух Р.Р. Применение искусственного интеллекта для медицинской визуализации. Международный научно-исследовательский журнал. 2021;(12-1):43–49. https://doi.org/10.23670/IRJ.2021.114.12.005
3. Козарь Р.В., Навроцкий А.А., Гуринович А.Б. Методы распознавания медицинских изображений в задачах компьютерной диагностики. Известия Гомельского государственного университета имени Ф. Скорины. 2020;(3):116–121.
4. Huynh Q.T., Nguyen P.H., Le H.X., Ngo L.T., Trinh N.-T., Tran M.T.-T., Nguyen H.T., Vu N.T., Nguyen A.T., Suda K. et al. Automatic Acne Object Detection and Acne Severity Grading Using Smartphone Images and Artificial Intelligence. Diagnostics. 2022;12(8). https://doi.org/10.3390/diagnostics12081879
5. Бурдин Д.В., Руденко М.А. Интеллектуальная система анализа и оценки медицинских изображений для поддержки принятия врачебных решений. Наноиндустрия. 2021;14(S7):821–822. https://doi.org/10.22184/1993-8578.2021.14.7s.821.822
6. Руденко М.А., Руденко А.В. Нечеткая модель классификации медицинских изображений на основе нейронных сетей. Международная конференция по мягким вычислениям и измерениям. 2021;1:336–339.
7. Руденко М.А., Руденко А.В., Крапивина М.А., Лисовский В.С. Система детектирования и анализа объектов на КТ-снимках в урологии. В сборнике: III Международная конференция по нейронным сетям и нейротехнологиям (NEURONT'2022), 16 июня 2022 года, Санкт-Петербург, Россия. Санкт Петербург: Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им. В.И. Ульянова (Ленина); 2022. С. 38–42.
8. Шубкин Е.О. Обзор методов сегментации медицинских изображений. В сборнике: Молодежь и современные информационные технологии: Сборник трудов XVIII Международной научно-практической конференции студентов, аспирантов и молодых ученых, 22–26 марта 2021 года, Томск, Россия. Томск: Национальный исследовательский Томский политехнический университет; 2021. С. 90–91.
9. Белозеров И.А., Судаков В.А. Исследование моделей машинного обучения для сегментации медицинских изображений. Препринты ИПМ им. М.В. Келдыша. 2022;(37). https://doi.org/10.20948/prepr-2022-37
10. Maguolo G., Nanni L. A critic evaluation of methods for COVID-19 automatic detection from X-ray images. Information Fusion. 2021;76:1–7. https://doi.org/10.1016/j.inffus.2021.04.008
11. Tse Z.T.H., Hovet S., Ren H., Barrett T., Xu S., Turkbey B., Wood B.J. AI-Assisted CT as a Clinical and Research Tool for COVID-19. Frontiers in Artificial Intelligence. 2021;4. https://doi.org/10.3389/frai.2021.590189
12. Шагалова П.А., Ерофеева А.Д., Орлова М.М., Чистякова Ю.С., Соколова Э.С. Исследование алгоритмов предобработки изображений для повышения эффективности распознавания медицинских снимков. Труды НГТУ им. Р.Е. Алексеева. 2020;(1):25–32. https://doi.org/10.46960/1816-210X_2020_1_25
13. Boominathan L., Kruthiventi S.S., BabuvR.V. CrowdNet: A Deep Convolutional Network for Dense Crowd Counting. In: MM '16: ACM Multimedia Conference: Proceedings of the 24th ACM international conference on Multimedia, 15–19 October 2016, Amsterdam, The Netherlands. New York: Association for Computing Machinery; 2016. pp. 640–644. https://doi.org/10.1145/2964284.2967300
14. Wang C.-Y., Yeh I.-H., Liao H.-Y.M. YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information. URL: https://doi.org/10.48550/arXiv.2402.13616 [Accessed 12th June 2024].
15. Пранович А.А., Исмаилов А.К., Карельская Н.А., Костин А.А., Кармазановский Г.Г., Грицкевич А.А. Искусственный интеллект в диагностике и лечении мочекаменной болезни. Российский журнал телемедицины и электронного здравоохранения. 2022;8(1):42–57. https://doi.org/10.29188/2712-9217-2022-8-1-42-57
16. Руденко А.В., Руденко М.А., Каширина И.Л. Метод оценки результатов детектирования и классификации объектов на медицинских изображениях. Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии. 2024;(1):137–148. https://doi.org/10.17308/sait/1995-5499/2024/1/137-148
17. Руденко А.В., Руденко М.А., Каширина И.Л. Алгоритмы 3D-реконструкции и расчета параметров объектов по результатам детектирования на медицинских изображениях. Моделирование, оптимизация и информационные технологии. 2024;12(2). URL: https://moitvivt.ru/ru/journal/pdf?id=1594
Ключевые слова: компьютерное зрение, медицинские изображения, классификация, детектирование, сегментация, нейронные сети, компьютерная томография, мочекаменная болезнь
Для цитирования: Руденко А.В. Руденко М.А. Каширина И.Л. Применение искусственных нейронных сетей для поиска объектов на медицинских изображениях. Моделирование, оптимизация и информационные технологии. 2024;12(3). Доступно по: https://moitvivt.ru/ru/journal/pdf?id=1630 DOI: 10.26102/2310-6018/2024.46.3.013
Поступила в редакцию 14.07.2024
Поступила после рецензирования 22.07.2024
Принята к публикации 30.07.2024