Методи машинного навчання аналізу рентгенівських зображень для діагностики COVID-19

Скорочена інформація про документ
dc.contributor.advisorКарплюк, Євгеній Сергійович
dc.contributor.authorКучер, Вячеслав Васильович
dc.date.accessioned2023-01-03T12:32:18Z
dc.date.available2023-01-03T12:32:18Z
dc.date.issued2022
dc.description.abstractenIn recent years, the most discussed topics are the coronavirus (in the medical community) and deep learning (in the computer vision and machine learning community). A coronavirus (also known as SARS-CoV-2), belonging to the Corona family, is a virus that causes lung infections. The virus is highly contagious, as evidenced by the exponential increase in positive cases worldwide in a short period of time with limited testing. The infection causes serious damage to the lungs, causing pneumonia with associated symptoms: sore throat, dry cough, sneezing, high fever. In addition, some patients show no symptoms, so carrier activity is a concern for health care organizations. The World Health Organization has recommended more tests to screen patients with COVID-19 to contain the spread of the virus. A critical and important step in the fight against COVID-19 is the effective screening of infected patients so that positive patients can be isolated and treated. Currently, the main screening method used to detect COVID-19 is real-time reverse transcription-polymerase chain reaction. The test is performed on a patient's respiratory samples, and results can be available within a few hours to 2 days. Various research articles published in the journal Radiology [1,2] indicate that chest scans may be useful in detecting COVID-19. Researchers have found that the lungs of patients with symptoms of COVID-19 have certain visual features, such as matte opacities — hazy dark spots that can distinguish patients infected with COVID-19 from patients who are not infected [3,4]. The researchers believe that a chest radiology-based system could be an effective tool for identifying, quantifying and following up on COVID-19 cases. A detection system based on chest x-ray imaging can have many advantages over the conventional method. It can be fast, analyze multiple cases at the same time, have greater availability and, more importantly, such a system can be very useful in hospitals where there are no or limited number of test kits and resources. In addition, given the importance of radiography in the modern healthcare system, radiological imaging systems are available in every hospital, making the radiography-based approach more convenient and affordable. The purpose of the work is to create an intelligent diagnostic system based on artificial neural networks for diagnosing COVID-19 using machine learning methods. The object of the study is CX-rays of patients with COVID-19. The subject of research is machine learning methods for the analysis of CX-ray images for the diagnosis of COVID-19. X-ray imaging is used to detect most chest infections, such as pneumonia, bronchitis, and bronchiolitis. Although the use of X-rays is considered non-specific for radiological findings, it will help in further management of the disease. Reverse transcription polymerase chain reaction kits are used primarily for testing patients with COVD-19. Test kits are expensive and also limited in supply. In addition, the test takes an average of 24 hours, which significantly slows down the testing process. Because test kits are limited, using X-rays may be a viable option, especially in remote and rural areas. This pandemic is causing health systems to be overwhelmed by the large number of patients. Chest X-rays can be used in conjunction with appropriate tests to quickly rule out patients who do not have COVID, ultimately reducing the burden on health care systems. Like any other pneumonia, COVID-19 shows clear markers on chest X-rays. Detection of the disease using X-ray images is an additional method of detecting covid pathologies, not a replacement for a full-fledged PCR test.uk
dc.description.abstractukКоронавірусна інфекція (COVID-19) – інфекційне захворювання, що викликається вірусом SARS-CoV-2. У більшості хворих інфекція протікає в легкій формі або безсимптомно. Основним методом скринінгу, який використовується для виявлення COVID-19, є полімеразна ланцюгова реакція зі зворотною транскрипцією в режимі реального часу. Метою роботи є створення інтелектуальної системи діагностування на основі штучних нейронних мереж для аналізу рентгенівських зображень при COVID-19 використовуючи методи машинного навчання. Об’єктом дослідження є рентгенографії хворих COVID-19. Предметом дослiдження є методи машинного навчання для аналізу рентгенівських зображень для діагностики COVID-19. У першому роздiлi наданi теоритичнi вiдомостi про iнфекцiйне захворювання COVID-19, клiнiчна картина хвороби, основнi симптоми, принципи монiторингу та обумовлена рентгенографія грудної клітини при захворюваннi COVID-19. У другому роздiлi проведено аналiз методів машинного навчання, оглянуті CNN, архітектура глибинних нейронних мереж, оглянуті існуючі мережі глибокого навчання, оглянуто метод передавального навчання (transfer learning) та поставлена задача побудови класифікатора рентгенівських знімків. У третьому роздiлi описано програмні засоби для виконання завдання, описано набір медичних даних які будуть використані в роботі, за допомогою метода передавального навчання було перетреновано три моделі для класифікації рентгенівських знімківuk
dc.format.page95 с.uk
dc.identifier.citationКучер, В. В. Методи машинного навчання аналізу рентгенівських зображень для діагностики COVID-19 : магістерська дис. : 153 Мікро- та наносистемна техніка / Кучер Вячеслав Васильович. – Київ, 2022. – 95 с.uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/51661
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.subjectCOVID-19uk
dc.subjectсимптомиuk
dc.subjectархітектураuk
dc.subjectкласифікаціяuk
dc.subjectвиявленняuk
dc.subjectглибоке навчанняuk
dc.subjectзгорткова нейронна мережаuk
dc.subjectрентгенівські променіuk
dc.subjectмодельuk
dc.titleМетоди машинного навчання аналізу рентгенівських зображень для діагностики COVID-19uk
dc.typeMaster Thesisuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Kucher_magistr.pdf
Розмір:
2.78 MB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.1 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Магістерські роботи (ЕІ)
Магістерські роботи