А.К. Алзубаиди1, А.А. Петров2

1,2 Елецкий государственный университет им. И.А. Бунина (г. Елец, Россия)

1 azhrstar90@gmail.com, 2 xeal91@yandex.ru

Постановка проблемы. Диагностика социально значимых заболеваний с использованием современных интеллектуальных нейросетевых технологий машинного зрения и классификации является перспективной возможностью увеличения качества медицинских услуг при снижении стоимостных и временных затрат. Особое значение имеет диагностика таких заболеваний, как туберкулез. Традиционные методы диагностики туберкулеза включают в себя лабораторные исследования, которые не всегда возможны, что подчёркивает необходимость усовершенствования диагностических инструментов.

Цель. Разработать классификатор на основе модели машинного обучения EfficientNetB0 для анализа рентгеновских изображений при диагностике туберкулеза.

Результаты. Проведен обзорный анализ существующих моделей машинного обучения для классификации изображений. Разработан метод трансферного обучения на основе модели EfficientNetB0 для реализации классификатора рентгеновских изображений при диагностике туберкулеза. Указанная модель реализована в виде программы на языке Python. Проведен сравнительный анализ эффективности работы построенного классификатора с аналогичными работами.

Практическая значимость. Полученные результаты могут найти применение в задачах автоматизированной диагностики медицинских заболеваний. Результаты работы направлены на реализацию диагностических модулей в рамках интегрированной медицинской информационной системы.

Алзубаиди А.К., Петров А.А. Использование возможностей модели машинного обучения EfficientNetB0 для анализа рентгеновских изображений при диагностике туберкулеза // Нейрокомпьютеры: разработка, применение. 2024. T. 26. № 5. С. 41-48. DOI: https://doi.org/10.18127/j19998554-202405-04

1. Ismailov B.I. Deep learning in medical diagnostics and control of the functions of the artificial respiration system // Biomedicine Radioengineering. 2023. V. 26. № 1. P. 5–17. DOI 10.18127/j15604136-202301-01.
2. World Health Organization. Global health observatory data on tuberculosis 2022. [Электронный ресурс] – Режим доступа: https://www.who.int/teams/global-tuberculosis-programme/tb-reports/global-tuberculosis-report-2022, дата обращения 18.07.2024.
3. Steingart K.R., Flores L.L., Hopewell P.C., Dendukuri N., Schiller I., Pai M., Laal S., Ramsay A. Commercial Serological tests for the diagnosis of active pulmonary and extrapulmonary tuberculosis: An updated systematic review and Meta-Analysis // PLoS Medicine. 2011. V. 8. № 8. P. e1001062. DOI 10.1371/journal.pmed.1001062.
4. Аверьянихин А.Е., Власов А.И., Евдокимова Е.В. Иерархическая пирамидальная субдискретизация в глубоких сверточных сетях для распознавания визуальных образов // Нейрокомпьютеры: разработка, применение. 2021. Т. 23. № 1. С. 17–31. DOI 10.18127/j19998554-202101-03.
5. Задорожная Е.А., Мороз К.А. Применение нейросетей в медицине // Молодой исследователь Дона. 2024. Т. 9. № 2. С.10–12.
6. Lakhani P., Sundaram B. Deep learning at chest radiography: Automated classification of pulmonary tuberculosis by using convolutional neural networks // Radiology. 2017. V. 284. № 2. P. 574–582. DOI: 10.1148/radiol.2017162326.
7. Tan M., Le Q. EfficientNet: Rethinking model scaling for convolutional neural networks // International Conference on Machine Learning. 2019. P. 6105–6114.
8. Сергеев Ю.А., Стерлёва Е.А., Ниазян Д.А. Применение нейросетей в медицине. Сравнение методов нейросетевого и группового анализа патологий // StudNet. 2021. Т. 4. № 9. С. 1–9.
9. Rajpurkar P., Irvin J., Zhu K., Yang B., Mehta H., Duan T., Ding D., Bagul A., Langlotz C., Shpanskaya K., Lungren M.P., Ng A.Y. ChexNet: Radiologist-Level Pneumonia Detection on Chest X-Rays with Deep Learning. [Электронный ресурс] – Режим доступа: https://arxiv.org/pdf/1711.05225, дата обращения 18.07.2024.
10. Шолле Ф. Глубокое обучение на Python. СПб.: Питер. 2018. 400 с.
11. Shen L., Margolies L.R., Rothstein J.H., Fluder E., McBride R., Sieh W. Deep learning to improve breast cancer detection on screening mammography // Scientific Reports. 2019. V. 9. №1. P. 12495.
12. Buda M., Maki A., Mazurowski M.A. A systematic study of the class imbalance problem in convolutional neural networks // Neural Networks. 2018. V. 106. P. 249–259.
13. Cross-validation: evaluating estimator performance. [Электронный ресурс] – Режим доступа: https://scikit-learn.org/dev/mod­ules/cross_validation.html, дата обращения 18.07.2024.
14. Abraham B., Mohan J., John S. M., Ramachandran S. Computer-aided detection of tuberculosis from X-ray images using CNN and PatternNet classifier // Journal of X-Ray Science and Technology. 2023. V. 31. № 4. P. 699–711. DOI 10.3233/xst-230028.
15. Hello A.T, Elaziz M.A., Jamal A.T., Dama R., Hassan O.F. A novel method for detection of tuberculosis in chest radiographs using artificial ecosystem-based optimization of deep neural network features // Symmetry. 2020. V. 12. № 7. P. 1146.
16. Xie Y., Wu Z., Han X., Wang H., Wu Y., Cui L., Feng J., Zhu Z., Chen Z. Computer-Aided System for the Detection of Multicategory Pulmonary Tuberculosis in Radiographs // Journal of Healthcare Engineering. 2020. P. 9205082. DOI 10.1155/2020/9205082.
17. Santosh K.C., Antani S. Automated Chest X-Ray Screening: Can Lung Region Symmetry Help Detect Pulmonary Abnormalities? // IEEE Transactions on Medical Imaging. 2018. V. 37. № 5. P. 1168–1177. DOI 10.1109/TMI.2017.2775636.