Застосування передавального навчання для покращення класифікації захворювань легень за допомогою вкладених представлень КТ-зображень
DOI:
https://doi.org/10.20535/1560-8956.44.2024.302198Ключові слова:
мультикласова класифікація, згорткові нейронні мережі, аналіз знімків компʼютерної томографії, вкладене представлення, передавальне навчання, COVID-19Анотація
У даному досліджені розглянуто використання передавального навчання для покращення виявлення захворювань легень за допомогою комп'ютерної томографії (КТ). Розроблену у попередньому досліджені згорткову нейронну мережу
для мультикласової класифікації було доповнено та дотреновано для створення вкладених представлень КТ-зрізів. Згорткові шари нейронної мережі було заморожено, а решту – замінено рядом шарів для виводу векторного представлення знімку, які і були дотреновані у даному дослідженні. Для забезпечення створення розрізнених векторів
було обрано використати triplet loss. Вкладені представлення, створені з отриманою мережею, було використано для навчання класифікатора KNeighborsClassifier, який досяг точності 0.987 у багатокласовій класифікації. Отримані результати, хоча й є попередніми, демонструють потенціал систем класифікації на основі вкладених представлень у аналізі КТ-сканування, особливо для діагностики COVID-19.
Бібл. 9, іл. 2
Посилання
WHO Coronavirus (COVID-19) Dashboard [Web resource]. – Resource access mode: https://covid19.who.int.
Multi-class classification of pulmonary diseases using computer tomography images / F. Smilianets and O. Finogenov // Adaptive systems of automatic control – 2023 – T. 43 – ISSN: 2522-9575 – URL:doi.org/10.20535/1560-8956.43.2023.292255.
A fully automated deep learning-based network for detecting covid-19 from a new and large lung ct scan dataset / M. Rahimzadeh, A. Attar, and S. M. Sakhaei // Biomedical Signal Processing and Control – 2021 – T. 68 – P. 102588 -URL:doi.org/10.1016/j.bspc.2021.102588.
COVID-CT-MD, a COVID-19 computed tomography scan dataset applicable in machine learning and deep learning / P. Afshar, S. Heidarian, N. Enshaei, et al. // Scientific Data – 2021 – T. 8 – URL:doi.org/10.1038/s41597-02100900-3.
DCM2HDR: DICOM to HDR image conversion. [Web resource]. – Data access mode: https://doi.org/10.5281/zenodo.1246724, accessed at 14.01.2024.
Feature pyramid networks for object detection / T.-Y. Lin, P. Dollár, R. Girshick, K. He, B. Hariharan, and S. Belongie – 2017 – URL:doi.org/10.48550/arXiv.1612.03144.
Metric learning for image similarity search / M. Kelcey – 2020 [Web resource]. – Resource access mode: keras.io/examples/vision/metric_learning/.
Deep metric learning using triplet network / E. Hoffer and N. Ailon – 2014 –URL: doi.org/10.48550/ARXIV.1412.6622.
k-Nearest neighbour classifiers - A Tutorial / Padraig Cunningham, Sarah Delany // ACM Computing Surveys – 2021 – T. 54 – URL: doi.org/10.1145/3459665.
##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.
