Мультикласова класифікація легеневих захворювань за допомогою знімків компʼютерної томографії
DOI:
https://doi.org/10.20535/1560-8956.43.2023.292255Ключові слова:
мультикласова класифікація, згорткові нейронні мережі, аналіз знімків компʼютерної томографіїАнотація
Обʼєктом дослідження є архітектура нейронної мережі для роботи з знімками КТ (компʼютерної томографії). Метою роботи є перевірка поведінки вже існуючої нейронної мережі побудованої для бінарної класифікації у контексті мульти-
класової класифікації. Для досягнення мети було обʼєднано два публічно доступних набори даних у мультикласовий набір даних, який включає в себе класи COVID-19, позагоспітальна пневмнонія, здорові легені. Існуючу архітектуру нейронної мережі (ResNet50V2 з застосуванням Feature Pyramid Network) було адаптовано під мультикласову класифікацію. Отриману нейронну мережу було натреновано протягом 20 епох та досягнено точності у 95.086% на виокремленому оціночному наборі даних. Результати експериментів доводять перспективність використання цієї та схожих нейронних мереж в роботі лікарів.
Бібл. 7, іл. 3, табл. 4
Посилання
WHO Coronavirus (COVID-19) Dashboard [Web resource]. – Resource access mode: https://covid19.who.int/.
Огляд методів ідентифікації захворювань на основі знімків компʼютерної томографії / Смілянець Ф.А., Фіногенов О.Д. // ХIІ Міжнародна науково-практична конференція «Комплексне забезпечення якості технологічних процесів та систем» – Т. 2 – С. 220-221
A fully automated deep learning-based network for detecting COVID-19 from a new and large lung CT scan dataset. / Rahimzadeh, M., Attar, A., & Sakhaei, S. // Biomedical Signal Processing and Control. – 2021. – P. 102588. – URL: https://doi.org/10.1016/j.bspc.2021.102588.
COVID-CTset: A Large COVID-19 CT Scans dataset [Web resource]. – Resource access mode: https://github.com/mr7495/COVID-CTset.
COVID-CT-MD, COVID-19 computed tomography scan dataset applicable in machine learning and deep learning. / Afshar, P., Heidarian, S., Enshaei, N., Naderkhani, F., Rafiee, M., Oikonomou, A., Fard, F., Samimi, K., Plataniotis, K., & Mohammadi, A. // Scientific Data – 2021. – Т. 8(1). – P. 121. – URL: https://doi.org/10.1038/s41597-021-00900-3.
DCM2HDR: DICOM to HDR image conversion. [Web resource]. – Resource access mode: https://doi.org/10.5281/zenodo.1246724.
Feature pyramid networks for object detection / T.-Y. Lin, P. Dollár, R. Girshick, K. He, B. Hariharan, S. Belongie. // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (2017). – 2017. – P. 2117-2125.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у нашому журналі.
2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована нашим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у нашому журналі.
3. Політика журналу дозволяє і заохочує розміщення рукопису роботи авторами в мережі Інтернет (наприклад, на arXiv.org або на особистих веб-сайтах). Причому рукописи статей можуть бути розміщенні у відкритих архівах як до подання рукопису до редакції, так і під час його редакційного опрацювання. Це сприяє виникненню продуктивної наукової дискусії, позитивно позначається на оперативності ознайомлення наукової спільноти з результатами Ваших досліджень і як наслідок на динаміці цитування вже опублікованої у журналі роботи. Детальніше про це: The Effect of Open Access.
