Класифікація уражень легень при COVID-19 на основі текстурних ознак та згорткової нейронної мережі

Скорочена інформація про документ
dc.contributor.authorДавидько, О. Б.
dc.contributor.authorЛадік, А. О.
dc.contributor.authorМаксименко, В. Б.
dc.contributor.authorЛинник, М. І.
dc.contributor.authorПавлов, О. В.
dc.contributor.authorНастенко, Є. А.
dc.date.accessioned2021-12-13T10:25:58Z
dc.date.available2021-12-13T10:25:58Z
dc.date.issued2021-11
dc.description.abstractenAbstract - Background. Determination of the structure of lung tissue lesions of patients with COVID-19 to the types of " Ground-glass opacity ", "crazy-paving", "consolidation" is an important component of substantiating the specific composition of therapeutic measures at the current moment of patient therapy. The most common means of determining the stage and type of airway lesions is through x-ray images and computed tomography (CT) scans. Since a feature of SARS-CoV-2 viral pneumonia is a rapid transition from mild to severe stages with the addition of the consequences of a cytokine storm and the breakthrough of infection into the arterial bloodstream, a reliable and fast analysis of CT images of the patient's lungs is the key for timely taking treatment measures. This paper discusses the possibility of using artificial intelligence for solving the problem of classifying lung lesions in COVID-19 disease. Objective. The aim of the work is to create a classification system of lung lesions type during COVID-19 by the types of " Ground-glass opacity ", "crazy-paving", "consolidation" based on the CNN convolutional neural network and textural features, the source of which are GLCM adjacency matrixs with different values of the angles of the direction of analysis. Methods. Since the differences in different types of lung tissue lesions on CT images are based on differences of their textural characteristics, the basis of the space of signs of the classification system will be the elements of histograms based on the adjacency matrices of regions of interest for CT images of the lungs. Due to the high quality of the transformation of the feature space to the needs of classification problems by convolutional layers of the network, it is proposed to use a convolutional neural network by means of constructing a classifier. To train the system of the State Institution "F. Yanovsky National Institute of Phthisiology and Pulmonology of the Academy of Medical Sciences of Ukraine", 8272 CT slices from 20 patients with image masks were provided, on which zones of interest with indicated types of lung lesions were identified. A model of a seven-layer convolutional neural network was built: with four convolutional layers, after the first three of which come pooling layers. To the input of a convolutional neural network, texture features of two GLCMs, which were obtained from segmented CT images at different angles, are simultaneously fed. NLLLOSS was used as a loss function. The Softmax activation layer determines the result of the classification task. Results. A convolutional neural network has been built on a test set of 472 images and has an overall classification accuracy of 83%, for " Ground-glass opacity “ classes - 90.1%, "crazy-paving" - 70.5%, “consolidation” - 54.2%, and a working sample of 4714 ROI images has an overall accuracy of 98%, for " Ground-glass opacity “ - 98.6%, "Crazy-paving" - 96.8%, “consolidation” - 95.4% Conclusions. A model with a high efficiency of classification of the type of lung lesions during COVID-19 has been obtained. The classifier is built on the basis of a convolutional neural network and texture features, the source of which are the GLCM matrices of regions of interest for CT images of the lungs.uk
dc.description.abstractukПроблематика. Визначення структури ураження легеневої тканини хворих на COVID-19 по типовим ознакам «матове скло», «бруківка», «консолідація» є важливою складовою обґрунтування діагнозу та лікувальних заходів на поточний момент терапії пацієнта. Найбільш поширеним засобом визначення стадії та типу ураження дихальних шляхів є аналіз рентген зображень та комп’ютерної томографії (КТ). Оскільки особливістю вірусної пневмонії SARS-CoV-2 є швидкий перехід від легких стадій до важких з розвитком цитокинового шторму і розповсюдження вірусу в артеріальний кровотік, то надійний та швидкий аналіз КТ зображень легень пацієнта є запорукою прийняття своєчасних лікувальних заходів. В даній роботі розглядаються можливості застосування засобів штучного інтелекту для вирішення задачі класифікації уражень легень при захворюванні COVID-19. Мета. Метою роботи є створення класифікаційної системи типу уражень легень при COVID-19 по типовим ознакам «матове скло», «бруківка», «консолідація» на основі згорткової нейронної мережі CNN та текстурних ознак, джерелом яких є матриці суміжності GLCM при різних значеннях кутів напрямку аналізу. Методика реалізації. Оскільки основою відмінностей різних типів ураження легеневої тканини на КТ зображеннях є відмінності у їх текстурних характеристиках, то в основу простору ознак класифікаційної системи закладемо елементи гістограм на основі матриць суміжності областей інтересу КТ зображень легень. У зв’язку з високими якостями перетворення простору ознак до потреб задач класифікації згортковими шарами мережі, засобом побудови класифікатора пропонується застосувати згорткову нейронну мережу. Для навчання системи ДУ “«Національний інститут фтизіатрії і пульмонології ім. Ф.Г. Яновського НАМН України» було надано 794 КТ зрізів від 20 пацієнтів із масками зображень, на яких виділені 4714 зони інтересу з означеними типами уражень легень. Була побудована модель семишарової згорткової нейронної мережі: із чотирма згортковими шарами, після перших трьох з яких йдуть агрегувальні шари. На вхід згорткової нейронної мережі одночасно подаються текстурні ознаки двох GLCM, які були отримані із сегментованих КТ зображень під різними кутами. В якості функції втрат була використана NLLLOSS. Шар активації Softmax визначає результат задачі класифікації. Результати дослідження. Побудована згорткова нейронна мережа на тестовій вибірці з 472 зображень має загальну точність класифікації у 83%, на класі «матове скло» - 90,1%, «бруківки» - 70,5%, «консолідація» – 54,2% та на робочій вибірці з 4714 ROI зображень має загальну точність у 98%, на класі «матове скло» - 98,6%, «бруківка» - 96,8%, «консолідація» – 95,4%. Висновки. В роботі одержано модель з високою ефективністю класифікації типу уражень легень при COVID-19. Класифікатор побудовано на основі згорткової нейронної мережі та ознак текстури, джерелом яких є матриці суміжності областей інтересу КТ зображень легень.uk
dc.format.pagerangeС. 19-28uk
dc.identifier.citationКласифікація уражень легень при COVID-19 на основі текстурних ознак та згорткової нейронної мережі / О. Б. Давидько, А. О. Ладік, В. Б. Максименко, М. І. Линник, О. В. Павлов, Є. А. Настенко // Журнал Біомедична інженерія і технологія. – 2021. – № 6. – С. 19-28.uk
dc.identifier.issn2617-8974
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/45488
dc.language.isoukuk
dc.sourceЖурнал Біомедична інженерія і технологія, 2021, № 6uk
dc.subjectGLCMuk
dc.subjectCOVID-19uk
dc.subjectматове склоuk
dc.subjectGLCMuk
dc.subjectкомпьютерная томографияuk
dc.subjectматовое стеклоuk
dc.subjectGLCMuk
dc.subjectomputer tomographyuk
dc.subjectlung lesionuk
dc.subjectCOVID-19uk
dc.subjectConvolutional Neural Networkuk
dc.subjectбулыжная мостоваяuk
dc.subjectконсолидацияuk
dc.subjectматрицы смежности уровней серого тонаuk
dc.subjectзона интересаuk
dc.subjectзгорткова нейронна мережаuk
dc.subjectураження легеньuk
dc.subjectground glass opacityuk
dc.subjectcrazy-pavinguk
dc.subjectGrey-Level Co-Occurrence Matrixuk
dc.subjectRegion of Interestuk
dc.subjectROIuk
dc.subjectCOVID-19uk
dc.subjectсверточная нейронная сетьuk
dc.subjectпоражение легкихuk
dc.subjectконсолідаціяuk
dc.subjectбруківкаuk
dc.subjectматриця суміжностіuk
dc.subjectобласть інтересуuk
dc.subjectкомп’ютерна томографіяuk
dc.subject.udc616.24 + 004.8uk
dc.titleКласифікація уражень легень при COVID-19 на основі текстурних ознак та згорткової нейронної мережіuk
dc.typeArticleuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
BmT-2021-6_p19-28.pdf
Розмір:
878.35 KB
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

Біомедична інженерія і технологія, № 6
COVID-19