Сегментація туберкульозних уражень легень на зображеннях комп’ютерної томографії

Скорочена інформація про документ
dc.contributor.authorВорончук, Н. С.
dc.contributor.authorБовсуновська, К. С.
dc.contributor.authorДавидько, О. Б.
dc.contributor.authorЛинник, М. І.
dc.contributor.authorМатвійчук, О. В.
dc.contributor.authorПавлов, А. В.
dc.contributor.authorНастенко, Є. А.
dc.date.accessioned2021-10-28T07:50:49Z
dc.date.available2021-10-28T07:50:49Z
dc.date.issued2021-05
dc.description.abstractenBackground. Tuberculosis is a chronic lung disease that occurs due to a bacterial infection and is one of the top ten causes of human death. As part of the automated diagnostic system, the detecting tuberculosis lesions on computed tomograms of the lungs in automatic mode is an urgent task. Objective. We are aimed to solve the lungs segmentation tuberculosis-affected areas problem on computer tomograms using digital image processing based on U-networks. Methods. The data for training the network were provided by the specialists of National Institute of Phthisiology and Pulmonology named after F.V. Yanovsky, NAMS of Ukraine. We performed the image segmentation by applying artificial intelligence using the convolutional neural network UNet, which has been developed for medical segmentation tasks. We considered three versions of UNet networks with different parameter values. A feature of U-Net is the absence of fully connected layers. This network is an example of an encoder-decoder architecture, which shows high results in problems of semantic image segmentation. In the last two models, we applied the technique of early stopping of training which avoids the effect of overfitting the network. The number of training epochs is set with amargin, and the process of training network parameters stops as soon as the model performance stops improving on the test data set. Results. The data set was divided into 320 samples (80%) for training, 40 samples (10%) for testing, and 40 samples (10%) for the exam. The effectiveness of the developed models was evaluated by the parameters: Precision, Recall, and Matthews correlation coefficient. The final model provides high performance on the exam, such as accuracy of 0.82, sensitivity of 0.75, Matthews correlation coefficient of 78%. Conclusions. The conducted studies using the UNet network allowed us to obtain high results for the segmentation of tuberculosis lesions on computed tomography images. The proposed network will be used in the further development of diagnostic systems for tuberculosis.uk
dc.description.abstractruПроблематика. Туберкулез – это хроническое заболевание легких, возникающее из-за бактериальной инфекции и входящее в десятку основных причин смертности человека. Как часть системы автоматизированной диагностики выявление туберкулезных поражений на компьютерных томограммах легких в автоматическом режиме является актуальной задачей. Цель. Решение проблемы сегментации пораженных участков легких на компьютерных томограммах с помощью цифровой обработки изображений на основе U-сетей. Методика реализации. Данные для обучения сети предоставлены специалистами ГУ “Национальный институт фтизиатрии и пульмонологии им. Ф.Г. Яновского НАМН Украины”. Сегментация изображений выполнена средствами искусственного интеллекта с помощью сверточной нейронной сети U-Net, которая была разработана для задач медицинской сегментации. Рассмотрены три версии U-Net сетей с различными значениями параметров. Особенностью U-Net является отсутствие полносвязных слоев. Данная сеть является примером архитектуры кодировщика-декодировщика, которая показывает высокие результаты в задачах семантической сегментации изображений. В двух последних моделях применена техника ранней остановки обучения, которая позволяет избежать эффекта переобучения сети. Количество эпох обучения задается с запасом, при этом процесс обучения параметров сети останавливается, как только производительность модели прекращает улучшаться на тестовом наборе данных. Результаты. Набор данных был разделен на 320 образцов (80 %) для обучения, 40 образцов (10%) для тестирования и 40 образцов (10 %) для экзамена. Эффективность разработанных моделей была оценена параметрами: точность, чувствительность, коэффициент корреляции Мэтьюза. Окончательная модель обеспечивает на экзамене высокие показатели производитель- ности, такие как точность 0,82, чувствительность 0,75, коэффициент корреляции Мэтьюза 78 %. Выводы. Проведенные исследования при применении сети U-Net позволили получить высокие результаты для сегментации туберкулезных поражений на изображениях компьютерной томографии. Предлагаемая сеть будет применена при дальнейшей разработке диагностических систем при заболевании туберкулезом.uk
dc.description.abstractukПроблематика. Туберкульоз – це хронічне захворювання легень, яке виникає через бактеріальну інфекцію та входить до десятки основних причин смертності людини. Як частина системи автоматизованої діагностики виявлення туберкульозних уражень на комп’ютерних томограмах легень у автоматичному режимі є актуальною задачею. Мета. Вирішення проблеми сегментації уражених туберкульозом ділянок легень на комп’ютерних томограмах за допомогою цифрової обробки зображень на основі U-мереж. Методика реалізації. Дані для навчання мережі надано фахівцями ДУ “Національний інститут фтизіатрії і пульмонології ім. Ф.Г. Яновського НАМН України”. Сегментація зображень виконана засобами штучного інтелекту за допомогою згорткової нейронної мережі U-Net, яка була розроблена для задач медичної сегментації. Розглянуто три версії U-Net мереж із різними параметрами. Особливістю U-Net є відсутність повнозв’язних шарів. Ця мережа є прикладом архітектури кодувальника-декодувальника, що показує високі результати в задачах семантичної сегментації зображень. У двох останніх моделях застосована техніка ранньої зупинки навчання, яка дає можливість уникнути ефек- ту перенавчання мережі. Кількість епох навчання задається із запасом, при цьому процес навчання параметрів мережі зупиняється, щойно продуктивність моделі припиняє поліпшуватися на тестовому наборі даних. Результати. Набір даних був розділений на 320 зразків (80 %) для навчання, 40 зразків (10 %) для тестування та 40 зразків (10 %) для екзамену. Ефективність розроблених моделей була оцінена за параметрами: точність, чутливість, коефіцієнт кореляції Метьюза. Кінцева модель забезпечує на екзамені високі показники продуктивності, такі як точність 0,82, чутливість 0,75, коефіцієнт кореляції Метьюза 78 %. Висновки. Проведені дослідження при застосуванні мережі U-Net дали змогу одержати високі ре- зультати для сегментації туберкульозних уражень на зображеннях комп’ютерної томографії. Пропонована мережа буде застосована при подальшій розробці діагностичних систем при захворюванні на туберкульоз.uk
dc.format.pagerangeC. 117-124uk
dc.identifier.citationСегментація туберкульозних уражень легень на зображеннях комп’ютерної томографії / Н. С. Ворончук, К. С. Бовсуновська, О. Б. Давидько, М. І. Линник, О. В. Матвійчук, А. В. Павлов, Є. А. Настенко // Міжнародний науковий журнал «Innovative Biosystems and Bioengineering». – 2021. – vol. 5, no. 2. – C. 117–124.uk
dc.identifier.doihttps://doi.org/10.20535/ibb.2021.5.2.233051
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/44843
dc.language.isoukuk
dc.sourceМіжнародний науковий журнал «Innovative Biosystems and Bioengineering», 2021, vol. 5, no. 2uk
dc.subjectсегментація патологійuk
dc.subjectтуберкульозuk
dc.subjectтренування мережuk
dc.subjectpathology segmentationuk
dc.subjectU-Netuk
dc.subjectсегментация патологийuk
dc.subjectтуберкулезuk
dc.subjectтренировка сетейuk
dc.subjectнейронна мережаuk
dc.subjectштучний інтелектuk
dc.subjectartificial intelligenceuk
dc.subjectU-Netuk
dc.subjecttraining networksuk
dc.subjectneural networkuk
dc.subjectискусственный интеллектuk
dc.subjecttuberculosisuk
dc.subjectнейронная сетьuk
dc.subject.udc004.032.26 + 616.24-002.5uk
dc.titleСегментація туберкульозних уражень легень на зображеннях комп’ютерної томографіїuk
dc.typeArticleuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Cehmentatsiia tuberkuloznykh urazhen lehen.pdf
Розмір:
1.19 MB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.01 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Innovative Biosystems and Bioengineering: international scientific e-journal, Vol. 5, No. 2