МЕДИЦИНСКИЕ ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ НА ПРИМЕРЕ ДИАГНОСТИКИ РАКА ЛЕГКОГО

  • Л.В. Уткин Санкт-Петербургский политехнический университет Петра Великого
  • О.С. Ипатов Санкт-Петербургский политехнический университет Петра Великого
  • М.А. Рябинин Санкт-Петербургский политехнический университет Петра Великого
  • А.А. Мелдо Санкт-Петербургский клинический научно-практический центр специализированных видов медицинской помощи
Ключевые слова: Искусственный интеллект, система диагностики, рак легкого, компьютерная томография, нейронная сеть, обработка изображений

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 особенно-стей таких систем и разработка перспективной архитектуры системы, повышающей эффективность их обучения и достоверность получаемых результатов диагностики. В работе предлагается краткий анализ интеллектуальных систем диагностики онкологи-ческих заболеваний на примере обнаружения рака легкого по снимкам компьютерной то-мографии, которая в настоящее время являются основным диагностическим инструмен-том для определения распространенности рака лёгкого, поиска регионарных и отдаленных метастазов. Рассмотрены основные виды существующих интеллектуальных систем диаг-ностики и дана их классификация с точки зрения использования методов обработки ин-формации компьютерной томографии. Дано описание типовой последовательности эта-пов обработки изображений компьютерной томографии для обнаружения злокачествен-ных образований в легком, которая включает такие процедуры, как сбор данных, предва-рительную 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 си-амская нейронная сеть, которая состоит из двух одинаковых подсетей, объединенных на выходе. Процесс обучения сети использует все возможные пары образцов из базы изобра-жений злокачественных образований, что существенно увеличивает размер обучающей выборки и позволяет устранить эффект переобучения. В процессе эксплуатации для ана-лиза 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.

Литература

1. Gantsev, Sh.Kh., Moiseenko V.M., Arsen'ev A.I., Chizhikov A.V., Moiseenko F.V., Meldo A.A. Rak legkogo [Lung cancer]. Moscow: GEOTAR-Media, 2017, 224 p.
2. Meldo A.A., Utkin L.V. Obzor metodov mashinnogo obucheniya v diagnostike raka legkogo [Review of machine learning methods in lung cancer diagnosis], Iskusstvennyy intellekt i prinyatie resheniy [Artificial intelligence and decision making], 2018, No. 3, pp. 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, pp. 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, pp. 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 pro-spects, Biomedical engineering online, 2014, Vol. 13 (1), pp. 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, pp. 379-383.
8. John J., Mini M.G. Multilevel thresholding based segmentation and feature extraction for pul-monary nodule detection, Procedia Technology, 2016, Vol. 24, pp. 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, pp. 202-209.
10. Liu X., Hou F., Qin H., Hao A. Multi-view multi-scale CNNs for lung nodule type classifica-tion from CT images, Pattern Recognition, 2018, Vol. 77, pp. 262-275.
11. Nithila E.E., Kumar S.S. Automatic detection of solitary pulmonary nodules using swarm in-telligence optimized neural networks on CT images, Engineering Science and Technology, an International Journal, 2017, Vol. 20 (3), pp. 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 Medi-cine and Biology, 2011, Vol. 56, pp. 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, pp. 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, pp. 288-299.
15. Zhu W., Liu C., Fan W., and Xie X. DeepLung: Deep 3D dual path nets for automated pulmo-nary 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, pp. 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 In-telligence, 2017, Vol. 39, No. 12, pp. 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, pp. 1-8.
19. Bromley J., Bentz J.W., Bottou L., Guyon I., LeCun Y., Moore C., Sackinger E., Shah R. Signa-ture verification using a Siamese time delay neural network, International Journal of Pattern Recognition and Artificial Intelligence, 1993, Vol. 7 (4), pp. 737-744.
20. Chopra S., Hadsell R., LeCun Y. Learning a similarity metric discriminatively, with applica-tion to face verification, 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'05). IEEE, 2005, Vol. 1, pp. 539-546.
Опубликован
2019-04-04
Выпуск
Раздел
РАЗДЕЛ IV. РЕКОНФИГУРИРУЕМЫЕ И НЕЙРОСЕТЕВЫЕ ВЫЧИСЛИТЕЛЬНЫЕ СИСТЕМЫ