Використання глибоких нейронних мереж для порівняльного аналізу норми, пневмонії і COVID-19

Скорочена інформація про документ
dc.contributor.authorЮхимюк, Роман Юрійович
dc.contributor.authorШкепаст, Марко Вадимович
dc.contributor.authorНастенко, Євген Арнольдович
dc.contributor.authorЛінник, Микола Іванович
dc.contributor.authorДавидович, Ілля Вікторович
dc.contributor.authorБабенко, Віталій Олегович
dc.date.accessioned2024-03-08T07:15:12Z
dc.date.available2024-03-08T07:15:12Z
dc.date.issued2023
dc.description.abstractРеферат – Пандемія COVID-19 мала глибокі соціально-економічні наслідки, що продовжують помітно впливати на сучасне суспільство. Вірусу властиві запальний характер, швидкі реплікація і трансмісія, та, переважно, враження легеневої тканини. Клінічний перебіг захворювання особливо небезпечний, оскільки воно швидко переходить від початкових, відносно доброякісних фаз до тяжких форм хвороби із низьким відсотком одужання пацієнтів. У зв’язку з цим виникає необхідність у швидких та автоматизованих методах діагностики, особливо для осіб, які проходять комп’ютерну томографію. Ціллю даної наукової роботи було підвищення точності та ефективності візуальної діагностики з використанням зображень комп’ютерної томографії шляхом застосування алгоритмів глибоких нейронних мереж. Корисність цих алгоритмів полягає ще й в тому, що вони слугують додатковим інструментом для лікарів, дозволяючи виявляти клінічно значущу інформацію, яка може бути неочевидною при спостереженні лише людиною. Нейронні мережі були обрані для дослідження завдяки їхньої здатності виконувати складний аналіз зображень та зберігати просторову інформацію. Крім того, їхня здатність навчатись на великих масивах даних та виявляти приховані закономірності останнім часом викликає значний інтерес з боку клінічного суспільства. Набір даних, що використовувався в дослідженні, містив 1192 зображення комп’ютерної томографії структур легень, розподілених наступним чином: 209 зображень належали пацієнтам з пневмонією, 581 – з COVID-19, і 402 – пацієнтам зі здоровими легенями, які слугували контрольною групою для виявлення значущих відмінностей в патологічних станах. Зображення були надані медичним персоналом ДУ «Національний інститут фтизіатрії і пульмонології імені Ф.Г. Яновського». Враховуючи, що набір даних включав три стани легень, задача дослідження була розділена на три підзадачі: порівняння норми і пневмонії, норми і COVID-19, та пневмонії і COVID-19. Подібна методологічна стратифікація дозволила більш детально розглянути унікальні характеристики кожного захворювання: наприклад, пневмонія часто характеризується наявністю консолідованих ділянок, в той час як при COVID-19 можуть спостерігатись більш дисперсійні помутніння у вигляді «матового скла». Для вирішення кожної підзадачі використовувались як автоенкодер, так і згорткова нейронна мережа, а потім проводилось порівняння їхньої ефективності.
dc.description.abstractotherAbstract – The COVID-19 pandemic has had profound socioeconomic consequences that continue to have a significant impact on modern society. The virus is characterized by its inflammatory nature, rapid replication, and transmission, and predominantly involves lung tissue. The clinical course of the disease is particularly dangerous, as it quickly progresses from the initial, relatively benign phases to severe forms of the disease with a low percentage of patients recovering. In this regard, there is a need for fast and automated diagnostic methods, especially for patients undergoing computed tomography. The aim of this research work was to improve the accuracy and efficiency of visual diagnostics using computed tomography images by applying deep neural network algorithms. The usefulness of these algorithms lies in the fact that they serve as an additional tool for doctors, allowing them to identify clinically relevant information that may not be obvious when observed by humans alone. Neural networks were chosen for the study because of their ability to perform complex image analysis and store spatial information. In addition, their ability to learn from large data sets and detect hidden patterns has recently attracted considerable interest from the clinical community. The dataset used in the study contained 1192 computed tomography images of lung structures, distributed as follows: 209 images belonged to patients with pneumonia, 581 to patients with COVID-19, and 402 to patients with healthy lungs, who served as a control group to identify significant differences in pathological conditions. The images were provided by the medical staff of the F.G. Yanovsky National Institute of Phthisiology and Pulmonology. Given that the dataset included three lung conditions, the study objective was divided into three subtasks: comparison of normal and pneumonia, normal and COVID-19, and pneumonia and COVID-19. This methodological stratification allowed for a more detailed consideration of the unique characteristics of each disease: for example, pneumonia is often characterized by the presence of consolidated areas, while COVID-19 may show more dispersed opacities in the form of "frosted glass". Both an autoencoder and a convolutional neural network were used to solve each subtask, and then their performance was compared.
dc.format.pagerangePp. 56-64
dc.identifier.citationВикористання глибоких нейронних мереж для порівняльного аналізу норми, пневмонії і COVID-19 / Юхимюк Роман Юрійович, Шкепаст Марко Вадимович, Настенко Євген Арнольдович, Лінник Микола Іванович, Давидович Ілля Вікторович, Бабенко Віталій Олегович // Біомедична інженерія і технологія. – 2023. – № 12. – С. 56-64. – Бібліогр.: 20 назв.
dc.identifier.doihttps://doi.org/10.20535/2617-8974.2023.12.292729
dc.identifier.issn2707-8434
dc.identifier.orcid0009-0007-6832-916X
dc.identifier.orcid0009-0008-8196-1909
dc.identifier.orcid0000-0002-1076-9337
dc.identifier.orcid0000-0002-0011-7482
dc.identifier.orcid0000-0001-9987-8267
dc.identifier.orcid0000-0002-8433-3878
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/65341
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.relation.ispartofБіомедична інженерія і технологія, № 12
dc.subjectкомп’ютерна томографія
dc.subjectаналіз медичних зображень
dc.subjectрозпізнавання патології
dc.subjectмашинне навчання
dc.subjectглибоке навчання
dc.subjectComputed Tomography
dc.subjectMedical Image Analysis
dc.subjectPathology Recognition
dc.subjectMachine Learning
dc.subjectDeep Learning
dc.subject.udc004.932:616
dc.titleВикористання глибоких нейронних мереж для порівняльного аналізу норми, пневмонії і COVID-19
dc.title.alternativeUtilization of deep neural networks for comparative analyses of normality, pneumonia and COVID-19
dc.typeArticle

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
292729-680840-1-10-20231226.pdf
Розмір:
580.05 KB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Біомедична інженерія і технологія, № 12