Метод обробки медичних зображень людини на основі нейронної мережі
Вантажиться...
Дата
2020
Автори
Науковий керівник
Назва журналу
Номер ISSN
Назва тому
Видавець
КПІ ім. Ігоря Сікорського
Анотація
Актуальність. Рак шкіри є найбільш поширеним видом раку. Зокрема, меланома спричиняє 75% випадків смерті від раку шкіри, незважаючи на те, що це найменш поширений різновид раку шкіри. За оцінками Американського онкологічного товариства, у 2020 році було діагностовано понад 100 000 нових випадків меланоми. Як і у випадку з іншими видами раку, раннє і точне виявлення, що потенційно сприяє науці даних, може зробити лікування більш ефективним.
У даній роботі досліджується процес класифікації меланом на знімках уражень шкіри. Зокрема, використовується зображення пацієнтів та визначається ефективність нейронних моделей, прикладних у сфері класифікації шкірних захворювань, які, ймовірно, можуть представляти меланому. Використання контекстної інформації на рівні пацієнта може допомогти розробці засобів аналізу зображень, які могли б краще підтримати клінічних дерматологів.
Мета і задачі дослідження. Головна мета роботи — розробити метод обробки медичних зображень людини на основі нейронної мережі на основі результатів дослідження процесу класифікації меланом на знімках уражень шкіри на реальних медичних зображеннях пацієнтів, із визначенням основних параметрів їх роботи для прикладного застосування у сфері класифікації шкірних захворювань загалом і меланом почасти.
Для досягнення даної мети було виконано наступні основні завдання:
- підготувати датасет із медичними даними на основі відкритих даних 2018-2020 років із https://challenge2020.isic-archive.com/
- конфігурувати дослідницьку інфраструктуру на основі віддалених хмарних ресурсів і залученням графічних прискорювачів (graphic processing units — GPU) і прискорювачів тензорних обчислень (tensor processing units — TPU),
- виконати тренування на кількох стандартних (перерахувати) і новітніх (EfficientNetB0-B6) моделях поглибленого навчання із використанням методу крос-валідації (k-fold cross validation) і штучного збільшення кількості варіантів тренувальних зображень (data augmentation - DA),
- виконати тестування отриманих тренованих моделей із залученням методу штучного збільшення кількості варіантів тестових зображень (post-training/testing time data augmentation - TTA),
- виконати порівняльний аналіз отриманих даних на різних інфраструктурах, моделях і їх параметрах для дослідження впливу типу інфраструктури (TPU/GPU), типу і розміру моделей на час і точність прогнозування за стандартними метриками,
- сформулювати рекомендації щодо можливості практичного застосування отриманих результатів в якості методу обробки медичних зображень людини на основі нейронної мережі у вигляді сервісу із локальним або віддаленим доступом.
Об’єкт дослідження. Об’єктом дослідження є процес класифікації та розпізнавання уражень шкіри, таких як меланоми, на прикладі застосування нейронних моделей, а також кількісна оцінка їх основних параметрів для застосування у практичній сфері.
Наукова новизна одержаних результатів. Отримані, у контексті даної роботи, дані мають перспективи бути використаними у подальших дослідженнях раку шкіри, а також у процесах діагностики ракових уражень дерматологами та медичними спеціалістами онкологічного профілю почасти і для медичних знімків загалом.
Практичне значення одержаних результатів. Результати роботи дозволяють сформулювати рекомендації щодо можливості практичного застосування даного методу обробки медичних зображень людини на основі нейронної мережі у вигляді сервісу із локальним або віддаленим доступом для аналізу медичних зображень і покращення роботи дерматологів. Покращення методів виявлення меланоми створює передумови для можливого подальшого позитивного впливу на стан здоров’я мільйонів людей.
Робота є складовою частиною науково-дослідної тематики кафедри обчислювальної техніки і проекту "Платформа штучного інтелекту для дистанційного автоматизованого виявлення та діагностики захворювань людини" за номером 2020.01/0490 (який рекомендовано до реалізації за рахунок грантової підтримки Національного фонду досліджень України і затверджено Науковою радою НФДУ, протокол від 16-17 вересня 2020 року № 21).
Опис
Ключові слова
штучні нейронні мережі, convolutional neural network, feedforward neural network, recurrent neural network, graphical processing unit, tensor processing unit, test time augmentation, area under ROC curve, TensorFlow record, перехресна перевірка
Бібліографічний опис
Домс, В. Г. Метод обробки медичних зображень людини на основі нейронної мережі : магістерська дис. : 123 Комп’ютерна інженерія / Домс Володимир Геннадійович. – Київ, 2020. – 135 с.