Застосування математичних методів і алгоритмів машинного навчання для класифікації рентгенівських зображень
DOI:
https://doi.org/10.15587/1729-4061.2022.259710Ключові слова:
математичні методи, машинне навчання, нейронні мережі, розпізнавання образів, обробка медичних зображень, штучний інтелектАнотація
Актуальність теми, зокрема, якщо взяти один із інформаційних потоків, чи то дія людського фактора чи конкретного об'єкта, то правдивим стає факт, що спеціальна обробка мови машинного навчання та автоматичне виведення інформації значно оптимізують людське життя. За допомогою нейронних мереж та їх рентгенографії органів грудної клітки — одного з найдоступніших рентгенологічних досліджень для скринінгу та діагностики багатьох захворювань легень — спеціальна мова машинного навчання дозволяє вивчати потоки інформації про нього і той самий об'єкт у режимі реального часу за допомогою нейронних мереж. .
У статті описано термінологію проблеми розпізнавання рентгенівських знімків з використанням методів та алгоритмів машинного навчання, розглянуто актуальність проблеми, а також проаналізовано сучасний стан проблеми в галузі розпізнавання рентгенівських знімків. Наголошуються аспекти розв'язуваної проблеми, виявлені в ході аналізу, у вигляді розв'язуваних завдань, підходів, методів, що використовуються інформаційних технологій, інструментів та програмних рішень проблеми.
Стаття присвячена опису модифікованого методу нечіткої кластеризації напівтонових зображень, що на кожній ітерації виконує динамічне перетворення вихідних даних на основі сингулярної декомпозиції з автоматичним виділенням найбільш значних стовпців матриці лівих сингулярних векторів. Результати експериментальних досліджень було отримано шляхом обробки рентгенівських зображень.
В результаті тестування моделі нейронної мережі, у вихідному шарі якої для активації нейронів використовувалася сигмоїдальна функція активації, а як метод оптимізації – алгоритм, були отримані найкращі значення точності та повноти: точність – 94,2. Під час тестування нейромережа показала точність розпізнавання пневмонії, що дорівнює 94,27 %
Спонсор дослідження
- Scientific supervisor Gulzira Abdikerimova and doctoral student Shekerbek Ainur express their gratitude for the guidance on the topic of their scientific work.
Посилання
- Ibrahim, I., Abdulazeez, A. (2021). The Role of Machine Learning Algorithms for Diagnosing Diseases. Journal of Applied Science and Technology Trends, 2 (01), 10–19. doi: https://doi.org/10.38094/jastt20179
- Ziyazetdinova, L. Yu. (2021). Analiz sostoyaniya issledovaniy v oblasti raspoznavaniya rentgenovskikh i kt snimkov s pomosch'yu metodov glubokogo mashinnogo obucheniya. Mavlyutovskie chteniyamaterialy XV Vserossiyskoy molodezhnoy nauchnoy konferentsii. Ufa, 235–245.
- Pechnikov, A. A., Bogdanov, N. A. (2021). Comparison of two approaches to the recognition of pneumonia by X-rays. Petrozavodsk, 90–91. Available at: https://www.researchgate.net/profile/Surovtsova-Tatyana-2/publication/357340485_Development_of_evaluation_criteria_for_a_creative_programming_competition/links/61c98658d4500608166e8156/Development-of-evaluation-criteria-for-a-creative-programming-competition.pdf
- Vasilchenko, V. A., Burkovskiy, V. L., Danilov, A. D. (2019). Algorithmization of the process of recognition of states of living objects based on special x-ray images. Computer Optics, 43 (2), 296–303. doi: https://doi.org/10.18287/2412-6179-2017-43-2-296-303
- Sludnova, A. A., Shutko, V. V., Gaidel, A. V., Zelter, P. M., Kapishnikov, A. V., Nikonorov, A. V. (2021). Identification of pathological changes in the lungs using an analysis of radiological reports and tomographic images. Computer Optics, 45 (2), 261–266. doi: https://doi.org/10.18287/2412-6179-co-793
- Hrytsai, А. S., Levitskaya, T. A. (2019). Intelligent system for detecting anomalies in X-ray images using deep learning methods. Visnyk of Kherson National Technical University, 3 (70), 97–102. doi: https://doi.org/10.35546/kntu2078-4481.2019.3.10
- Gorelov, I. A., Nemtinov, V. A. (2016). Application of computer vision technology in search of pathologies on X-ray images of chest. Wschodnioeuropejskie Czasopismo Naukowe, 7, 6–13. Available at: https://cyberleninka.ru/article/n/primenenie-tehnologiy-kompyuternogo-zreniya-pri-poiske-patologiy-na-rentgenogrammah-organov-grudnoy-kletki
- Kuznetsov, N. A. (2020). Primenenie neyronnykh setey dlya diagnostiki zabolevaniy. Inzhenernye i informatsionnye tekhnologii, ekonomika i menedzhment v promyshlennosti: Sbornik nauchnykh statey po itogam vtoroy mezhdunarodnoy nauchnoy konferentsii. Volgograd: Obschestvo s ogranichennoy otvetstvennost'yu "KONVERT", 240–242.
- Meldo, A. A., Utkin, L. V., Moiseyenko, V. M. (2018). XXI century diagnostic algorithms. Artifitial intelligance in lung cancer detection. Practical Oncology, 19 (3), 292–298. doi: https://doi.org/10.31917/1903292
- Minyazev, R. Sh., Rumyantsev, A. A., Dyganov, S. A., Baev, A. A. (2018). Analiz rentgenovskikh izobrazheniy dlya vyyavleniya patologiy s ispol'zovaniem neyronnykh setey. Izvestiya Rossiyskoy Akademii Nauk. Seriya Fizicheskaya, 82 (12), 1685–1688. doi: https://doi.org/10.1134/s036767651812013x
- Maurya, L., Mahapatra, P. K., Kumar, A. (2017). A social spider optimized image fusion approach for contrast enhancement and brightness preservation. Applied Soft Computing, 52, 575–592. doi: https://doi.org/10.1016/j.asoc.2016.10.012
- Kim, S. E., Jeon, J. J., Eom, I. K. (2016). Image contrast enhancement using entropy scaling in wavelet domain. Signal Processing, 127, 1–11. doi: https://doi.org/10.1016/j.sigpro.2016.02.016
- Lidong, H., Wei, Z., Jun, W., Zebin, S. (2015). Combination of contrast limited adaptive histogram equalisation and discrete wavelet transform for image enhancement. IET Image Processing, 9 (10), 908–915. doi: https://doi.org/10.1049/iet-ipr.2015.0150
- Tiwari, M., Gupta, B., Shrivastava, M. (2015). High‐speed quantile‐based histogram equalisation for brightness preservation and contrast enhancement. IET Image Processing, 9 (1), 80–89. doi: https://doi.org/10.1049/iet-ipr.2013.0778
- Wei, Z., Lidong, H., Jun, W., Zebin, S. (2015). Entropy maximisation histogram modification scheme for image enhancement. IET Image Processing, 9 (3), 226–235. doi: https://doi.org/10.1049/iet-ipr.2014.0347
- Gonsales, R., Vuds, R., Eddins, S. (2006). Tsifrovaya obrabotka izobrazheniy v srede Matlab. Moscow: Tekhnosfera, 616. Available at: https://en.sng1lib.org/book/2075428/0968c1
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2022 Ainur Shekerbek, Sandugash Serikbayeva, Murat Tulenbayev, Galitdin Bakanov, Svetlana Beglerova, Anastassiya Makovetskaya
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.
Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.
