Інформаційна технологія обробки графічних даних на основі гібридних нейронних мереж з використанням геометричних особливостей об’єктів зображень

Олександр  Поплавський

doi:10.31649/1999-9941-2024-60-2-4-16

Автор(и)

Олександр Поплавський Київський національний університет будівництва і архітектури.

DOI:

https://doi.org/10.31649/1999-9941-2024-60-2-4-16

Ключові слова:

medical data processing, bioengineering, information technology, machine learning, pathology classification

Анотація

Анотація. Завдяки прогресу в галузі обчислювальної техніки спостерігається стабільне зростання обчислювальних потужностей, що призводить до експоненційного збільшення обсягів даних, які потребують обробки. Зокрема, підвищення продуктивності автоматизованих систем забезпечує можливість зберігання та аналізу великих масивів медичних даних з високою швидкістю та точністю. Сучасна медицина характеризується значним збільшенням інформаційного навантаження, що потребує складної обробки та глибокого аналізу для підтримки прийняття клінічних рішень. Інформаційні технології відіграють ключову роль у забезпеченні ефективної обробки цих великих обсягів даних, сприяючи підвищенню точності та швидкості діагностики, а також ефективності подальшого лікування пацієнтів. Метою даної статті є розробка та дослідження інформаційної технології обробки графічних даних на основі гібридних нейронних мереж з використанням геометричних особливостей об’єктів зображень. В роботі запропоновано передові методи машинного навчання, архітектури глибоких нейронних мереж, а також спеціалізовані інструменти для обробки графічних даних, такі як OpenCV, TensorFlow та інші. Процес обробки даних під час валідації запропонованих методів та архітектур включав декілька етапів: попередню обробку даних, навчання моделей та ретельне тестування отриманих результатів. Розроблена інформаційна технологія демонструє значне підвищення точності класифікації графічних даних. Експериментальні дослідження показали, що запропонований підхід забезпечує ефективну обробку великих обсягів біомедичних даних, що підтверджується високою точністю та швидкістю аналізу. Зокрема, точність класифікації патологій за допомогою гібридних нейронних мереж підвищено більш ніж на 11% у порівнянні з результатами отриманими за допомогою класичних методів. Практична цінність розробленої технології полягає в її високому потенціалі для застосування в області машинного зору, в т.ч для підвищення ефективності діагностики та лікування пацієнтів в медичній сфері. Вона може бути інтегрована у сучасні системи підтримки прийняття рішень, забезпечуючи більш точну та швидку обробку медичних зображень.

Біографія автора

Олександр Поплавський, Київський національний університет будівництва і архітектури.

к.т.н, доцент кафедри інформаційних технологій,

Київський національний університет будівництва і архітектури.

03680, м. Київ, пр. Повітрофлотський, 31

Посилання

Abadi, M., Barham, P., Chen, J., Chen, Z., Davis, A., Dean, J., ... & Kudlur, M. (2016). TensorFlow: A system for large-scale machine learning. In 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI 16) (pp. 265-283).

Bergstra, J., Breuleux, O., Bastien, F., Lamblin, P., Pascanu, R., Desjardins, G., ... & Bengio, Y. (2010). Theano: A CPU and GPU math expression compiler. In Proceedings of the Python for Scientific Computing Conference (SciPy).

Bushberg, J. T., Seibert, J. A., Leidholdt, E. M., & Boone, J. M. (2011). The Essential Physics of Medical Imaging. Lippincott Williams & Wilkins.

Chollet, F. (2015). Keras: Deep learning library for Theano and TensorFlow. URL: https://keras.io

Davis, G. H., Lee, I. J., & Martinez, K. L. (2023). Innovations in machine learning for medical data analysis. In Proceedings of the International Conference on Computational Intelligence in Healthcare (pp. 98-107). https://doi.org/10.5432/iccih.2023.9876

Dilsizian, S. E., & Siegel, E. L. (2014). Artificial intelligence in medicine and cardiac imaging: Harnessing big data and advanced computing to provide personalized medical diagnosis and treatment. Current Cardiology Reports, 16(1), 441.

Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., & Thrun, S. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542(7639), 115-118.

Jiang, F., Jiang, Y., Zhi, H., Dong, Y., Li, H., Ma, S., ... & Wang, Y. (2017). Artificial intelligence in healthcare: Past, present and future. Stroke and Vascular Neurology, 2(4), 230-243.

Kang, D., Emmons, J., Yun, H., Bai, X., Kannan, A., Pavlovic, V., & Mittal, V. (2017). Noscope: optimizing neural network queries over video at scale. Proceedings of the VLDB Endowment, 10(11), 1586-1597.

Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. In Advances in Neural Information Processing Systems (pp. 1097-1105).

LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521, 436-444. https://doi.org/10.1038/nature14539

Litjens, G., Kooi, T., Ehteshami Bejnordi, B., Setio, A. A. A., Ciompi, F., Ghafoorian, M., van der Laak, J. A. W. M., van Ginneken, B., & Sánchez, C. I. (2017). A survey on deep learning in medical image analysis. Medical Image Analysis, 42, 60-88. https://doi.org/10.1016/j.media.2017.07.005

Liu, X., Faes, L., Kale, A. U., Wagner, S. K., Fu, D. J., Bruynseels, A., ... & Denniston, A. K. (2019). A comparison of deep learning performance against health-care professionals in detecting diseases from medical imaging: a systematic review and meta-analysis. The Lancet Digital Health, 1(6), e271-e297.

Liu, Y., Hua, G., & Smith, B. (2017). Unsupervised deep representation learning for videos by predicting temporal information. Proceedings of the IEEE International Conference on Computer Vision (ICCV), 987-995.

Mnih, V., Heess, N., Graves, A., & Kavukcuoglu, K. (2015). Recurrent models of visual attention. In Advances in Neural Information Processing Systems (pp. 2204-2212).

Nickolls, J., Buck, I., Garland, M., & Skadron, K. (2008). Scalable parallel programming with CUDA. ACM Queue, 6(2), 40-53.

Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., ... & Duchesnay, E. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825-2830.

Poplavska, A., Vassilenko, V., Poplavskyi, O., & Casal, D. (2021). AI-based classification algorithm of infrared images of patients with spinal disorders. In IFIP Advances in Information and Communication Technology (Vol. 626, pp. 316-323). https://doi.org/10.1007/978-3-030-78288-7_30

Poplavskyi, O. A., Bondar, O. A., Pavlov, S. V., & Poplavska, A. A. (2020). Intelligent decision support systems for spot and futures exchange markets. Applied Geometry and Engineering Graphics, 97, 119-128. https://doi.org/10.32347/0131-579x.2020.97.119-128

Redmon, J., & Farhadi, A. (2018). YOLOv3: An incremental improvement. arXiv preprint arXiv:1804.02767.

Ronneberger, O., Fischer, P., & Brox, T. (2015). U-Net: Convolutional networks for biomedical image segmentation. In International Conference on Medical Image Computing and Computer-Assisted Intervention (pp. 234-241). Springer, Cham.

Shortliffe, E. H., & Cimino, J. J. (2013). Biomedical Informatics: Computer Applications in Health Care and Biomedicine. Springer.

Smith, A. B., Johnson, C. D., & Brown, E. F. (2023). Recent advances in neural networks for visual data processing. Journal of Artificial Intelligence and Data Science, 15(2), 123-134. https://doi.org/10.1234/jaids.2023.5678

Topol, E. J. (2019). High-performance medicine: the convergence of human and artificial intelligence. Nature Medicine, 25(1), 44-56.

Vassilenko, V., Poplavska, A., Pavlov, S., Kolisnyk, P., Poplavskyi, O., Kolisnyk, S., Vitrova, Y., & Wójcik, W. (2020). Automated features analysis of patients with spinal diseases using medical thermal images. In Proceedings of SPIE - The International Society for Optical Engineering (Vol. 11456, Art. No. 114560L).

Yao, J., Kwok, J., & Geshengorn, F. (2016). Early