Статья

Название статьи МЕДИЦИНСКИЕ ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ НА ПРИМЕРЕ ДИАГНОСТИКИ РАКА ЛЕГКОГО
Автор Л. В. Уткин, А. А. Мелдо, О. С. Ипатов, М. А. Рябинин
Рубрика РАЗДЕЛ IV. РЕКОНФИГУРИРУЕМЫЕ И НЕЙРОСЕТЕВЫЕ ВЫЧИСЛИТЕЛЬНЫЕ СИСТЕМЫ
Месяц, год 08, 2018
Индекс УДК 004.94
DOI 10.23683/2311-3103-2018-8-241-249
Аннотация Учитывая стремительное развитие новых методов искусственного интеллекта и большое количество новых разработок, связанных с созданием интеллектуальных систем диагностики онкологических заболеваний, целью работы является рассмотрение особенностей таких систем и разработка перспективной архитектуры системы, повышающей эффективность их обучения и достоверность получаемых результатов диагностики. В работе предлагается краткий анализ интеллектуальных систем диагностики онкологических заболеваний на примере обнаружения рака легкого по снимкам компьютерной томографии, которая в настоящее время являются основным диагностическим инструментом для определения распространенности рака лёгкого, поиска регионарных и отдаленных метастазов. Рассмотрены основные виды существующих интеллектуальных систем диагностики и дана их классификация с точки зрения использования методов обработки информации компьютерной томографии. Дано описание типовой последовательности этапов обработки изображений компьютерной томографии для обнаружения злокачественных образований в легком, которая включает такие процедуры, как сбор данных, предварительную обработку изображения, сегментацию, обнаружение образований, сокращение числа ложноположительных случаев и классификацию новообразований. Показано, что основной проблемой большинства систем дифференциальной диагностики является тот факт, что обучающая выборка содержит мало альтернативных примеров и не может быть в полной мере использована для обучения интеллектуальной системы. Для решения этой проблемы в работе предлагается новая архитектура интеллектуальной системы диагностики, позволяющая на последних этапах обработки данных существенно повысить точность классификации образований в легком. Основой этой архитектуры является сиамская нейронная сеть, которая состоит из двух одинаковых подсетей, объединенных на выходе. Процесс обучения сети использует все возможные пары образцов из базы изображений злокачественных образований, что существенно увеличивает размер обучающей выборки и позволяет устранить эффект переобучения. В процессе эксплуатации для анализа неизвестного образования на вход одной из сетей подается исследуемое изображение компьютерной томографии образца неизвестного образования, а на вход второй сети – изображение из базы злокачественных образований.

Скачать в PDF

Ключевые слова Искусственный интеллект; система диагностики; рак легкого; компьютерная томография; нейронная сеть; обработка изображений.
Библиографический список 1. Ганцев, Ш.Х., Моисеенко В.М., Арсеньев А.И., Чижиков А.В., Моисеенко Ф.В., Мелдо А.А. Рак лёгкого. – М.: ГЭОТАР-Медиа, 2017. – 224 с.
2. Мелдо А.А., Уткин Л.В. Обзор методов машинного обучения в диагностике рака легкого // Искусственный интеллект и принятие решений. – 2018. – № 3. – С. 28-38.
3. Choi W.J., Choi T.S. Automated pulmonary nodule detection based on three-dimensional shape-based feature descriptor // Computer Methods and Programs in Biomedicine. – 2014.
– Vol. 113. – P. 37-54.
4. Chon A., Balachandar N., Lu P. Deep convolutional neural networks for lung cancer detection // Technical report, Stanford University, 2017.
5. Froz B.R., de C. Filhoa A.O., Silva A.C., de Paiva A.C., Nunes R.A., Gattass M. Lung nodule classification using artificial crawlers, directional texture and support vector machine // Expert Systems With Applications. – 2017. – Vol. 69. – P. 176-188.
6. Firmino M., Morais A.H., Mendoca R.M., Dantas M.R., Hekis H.R., Valentim R. Computer-aided detection system for lung cancer in computed tomography scans: review and future prospects // Biomedical engineering online. – 2014. – Vol. 13 (1). – P. 41.
7. Huang X., Shan J., Vaidya V. Lung nodule detection in CT using 3D convolutional neural networks // 14th International Symposium on Biomedical Imaging (ISBI 2017). IEEE, April 2017. – P. 379-383.
8. John J., Mini M.G. Multilevel thresholding based segmentation and feature extraction for pulmonary nodule detection // Procedia Technology. – 2016. – Vol. 24. – P. 957-963.
9. Kuruvilla J., Gunavathi K. Lung cancer classification using neural networks for CT images // Computer Methods and Programs in Biomedicine. – 2014. – Vol. 113. – P. 202-209.
10. Liu X., Hou F., Qin H., Hao A. Multi-view multi-scale CNNs for lung nodule type classification from CT images // Pattern Recognition. – 2018. – Vol. 77. – P. 262-275.
11. Nithila E.E., Kumar S.S. Automatic detection of solitary pulmonary nodules using swarm intelligence optimized neural networks on CT images // Engineering Science and Technology, an International Journal. – 2017. – Vol. 20 (3). – P. 1192-1202.
12. Park S.C., Tan J., Wang X., Lederman D., Leader J.K., Kim S.H., and Zheng B. Computer-aided detection of early interstitial lung diseases using low-dose CT images // Physics in Medicine and Biology. – 2011. – Vol. 56. – P. 1139-1153.
13. Rehman M.Z., Javaid M., Shah S.I.A., Gilani S.O., Jamil M., Butt S.I. An appraisal of nodules detection techniques for lung cancer in CT images // Biomedical Signal Processing and Control. – 2018. – Vol. 41. – P. 140-151.
14. Yuan J., Liu X., Hou F., Qin H., Hao A. Hybrid-feature-guided lung nodule type classification on CT images // Computers & Graphics. – 2018. – Vol. 70. – P. 288-299.
15. Zhu W., Liu C., Fan W., and Xie X. DeepLung: Deep 3D dual path nets for automated pulmonary nodule detection and classification // arXiv: 1801.09555v1, Jan 2018.
16. Ronneberger O., Fischer P., Brox T. U-net: Convolutional networks for biomedical image segmentation // International Conference on Medical image computing and computer-assisted intervention. – Springer, Cham, 2015. – P. 234-241.
17. Badrinarayanan V., Kendall A., Cipolla R. SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2017. – Vol. 39, No. 12. – P. 2481-2495.
18. Koch G., Zemel R., Salakhutdinov R. Siamese neural networks for one-shot image recognition // Proceedings of the 32nd International Conference on Machine Learning. Lille, France, 2015. – Vol. 37. – P. 1-8.
19. Bromley J., Bentz J.W., Bottou L., Guyon I., LeCun Y., Moore C., Sackinger E., Shah R. Signature verification using a Siamese time delay neural network // International Journal of Pattern Recognition and Artificial Intelligence. – 1993. – Vol. 7 (4). – P. 737-744.
20. Chopra S., Hadsell R., LeCun Y. Learning a similarity metric discriminatively, with application to face verification // 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'05). IEEE, 2005. – Vol. 1. – P. 539-546.

Comments are closed.