Застосування передавального навчання для покращення класифікації захворювань легень за допомогою вкладених представлень КТ-зображень

Автор(и)

  • Ф. Смілянець КПІ ім. Ігоря Сікорського, Україна

DOI:

https://doi.org/10.20535/1560-8956.44.2024.302198

Ключові слова:

мультикласова класифікація, згорткові нейронні мережі, аналіз знімків компʼютерної томографії, вкладене представлення, передавальне навчання, COVID-19

Анотація

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

2024-03-20