ЗАСТОСУВАННЯ ЗГОРТКОВИХ НЕЙРОННИХ МЕРЕЖ ДЛЯ ДІАГНОСТИКИ COVID-19 НА ОСНОВІ РЕНТГЕНОГРАМ ЛЕГЕНЬ

Євген Олександрович  Шемет; Андрій Андрійович Папа; Андрій Анатолійович  Яровий

doi:10.31649/1999-9941-2021-50-1-64-68

Автор(и)

Євген Олександрович Шемет Вінницький національний технічний університет
Андрій Андрійович Папа Вінницький національний технічний університет
Андрій Анатолійович Яровий Вінницький національний технічний університет

DOI:

https://doi.org/10.31649/1999-9941-2021-50-1-64-68

Ключові слова:

згорткові нейронні мережі, класифікація, рентгенограма, COVID-19

Анотація

Об’єктом дослідження є процес класифікації рентгенограм легенів для діагностування COVID-19. Проведені дослідження базуються на застосуванні глибоких згорткових нейронних мереж, що дають можливість зберегти просторову інформацію та аналізувати складні зображення запобігаючи затуханню градієнту. Розглянуто принцип роботи згорткових нейронних мереж та переваги їх використання у застосуванні до складних зображень, у порівнянні зі штучними нейронними мережами на базі багатошарового перцептрона. Головне припущення дослідження полягає в гіпотезі, що використання глибокої згорткової нейромережі для класифікації рентгенограм легень дозволить отримати результат достатньо високої точності при діагностуванні COVID-19 та надасть можливість автоматизувати процес діагностування. Розглянуто актуальність проблематики автоматизованого діагностування COVID-19 на основі рентгенограм легенів. Проведено тренування високопродуктивних архітектур глибоких згорткових нейронних мереж, із застосуванням додаткових методів обробки зображень, для запобігання перенавчанню. Проведено порівняння результатів роботи нейронних мереж та наведено статистичну інформацію для оцінки якості їх роботи. Здійснено аналіз результатів роботи штучної нейронної мережі, за допомогою розбиття зображення методом Лайма. Обґрунтовано доцільність та перспективність застосування глибоких згорткових нейронних мереж для автоматизації діагностування COVID-19 на основі рентгенограм легенів. Проаналізовано розповсюджені помилки штучних нейронних мереж та можливі підходи до їх запобігання. Проаналізовано недоліки використання розглянутих підходів та складності, що можуть виникнути при автоматизації, за результатами запропоновано можливі варіанти покращення якості роботи глибокої згорткової нейронної мережі.

Біографії авторів

Євген Олександрович Шемет, Вінницький національний технічний університет

аспірант кафедри комп’ютерних наук

Андрій Андрійович Папа, Вінницький національний технічний університет

аспірант кафедри комп’ютерних наук

Андрій Анатолійович Яровий, Вінницький національний технічний університет

доктор технічних наук, професор, завідувач кафедри комп’ютерних наук

Посилання

PyTorch. [Online]. Available: https://pytorch.org. Accessed on: February 01, 2021.

Gao Huang, Zhuang Liu, Laurens van der Maaten, Kilian Q. Weinberger, «Densely Connected Convolutional Networks», Cornell University Library, 2015. [Online]. Available: https://arxiv.org/abs/1608.06993. Accessed on: February 01, 2021.

Christian Szegedy, Vincent Vanhoucke, Sergey Ioffe, Jonathon Shlens, Zbigniew Wojna, «Rethinking the Inception Architecture for Computer Vision», Cornell University Library, 2015. [Online]. Available: https://arxiv.org/abs/1512.00567/. Accessed on: February 01, 2021.

Karen Simonyan, Andrew Zisserman, «Very Deep Convolutional Networks for Large-Scale Visual Recognition», International Conference on Learning Representations, 2015. [Online]. Available: https://www.robots.ox.ac.uk/~vgg/research/very_deep. Accessed on: February 01, 2021.

Tao Ai, Zhenlu Yang, Hongyan Hou, Chenao Zhan, and Liming Xia. 2020. Correlation of chest CT and RT-PCR testing in coronavirus disease 2019 (COVID-19) in China: a report of 1014 cases. Radiology (2020), 200642.

Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun, «Deep Residual Learning for Image Recognition», Cornell University Library, 2015. [Online]. Available: https://arxiv.org/abs/1512.03385. Accessed on: February 01, 2021.

Shengli Jiang, Victor M. Zavala, «Convolutional Neural Nets: Foundations, Computations, and New Applications», Cornell University Library, 2015 [Online]. Available: https://arxiv.org/abs/2101.04869. Accessed on: February 01, 2021.

Shaeke Salman, Xiuwen Liu, «Overfitting Mechanism and Avoidance in Deep Neural Networks», Cornell University Library, 2020. [Online]. Available: https://arxiv.org/abs/1901.06566. Accessed on: February 01, 2021.

Ilya Kostrikov, Denis Yarats, Rob Fergu, «Image Augmentation Is All You Need: Regularizing Deep Reinforcement Learning from Pixels», Cornell University Library, 2020. [Online]. Available: https://arxiv.org/abs/2004.13649. Accessed on: February 01, 2021.

Tawsifur Rahman, Dr. Muhammad Chowdhury, Amith Khandakar, «COVID-19 Radiography Data-base», Kaggle, 2021. [Online]. Available: https://www.kaggle.com/tawsifurrahman/covid19-radiography-database. Accessed on: February 01, 2021.