Детектирование новообразований на компьютерных томограммах с использованием нейронных сетей
Автор: Гиниятова Динара Халиловна, Лапинский Василий Александрович
Журнал: Программные системы: теория и приложения @programmnye-sistemy
Рубрика: Искусственный интеллект, интеллектуальные системы, нейронные сети
Статья в выпуске: 3 (54) т.13, 2022 года.
Бесплатный доступ
Представлены результаты применения нейронных сетей (НС) для задачи детектирования новообразований на компьютерных томограммах легких в условиях ограниченного количества данных. Большое внимание уделено анализу и предварительной обработке изображений, как фактору, повышающему качество работы НС. Рассмотрена проблема переобучения НС и способы ее решения. Результаты представленных экспериментов позволили сделать вывод об эффективности использования отдельных архитектур НС в совокупности с методами предварительной обработки данных для задач детектирования даже в случаях ограниченного набора обучающей выборки и малого размера детектируемых объектов.
Детектирование объектов, обработка изображений, нейронные сети, yolo
Короткий адрес: https://sciup.org/143179411
IDR: 143179411 | DOI: 10.25209/2079-3316-2022-13-3-61-79
Список литературы Детектирование новообразований на компьютерных томограммах с использованием нейронных сетей
- Wei L., Ding K., Hu H. Automatic skin cancer detection in dermoscopy images based on ensemble lightweight deep learning network // IEEE Access.– 2020.– Vol. 8.– pp. 99633–99647. https://doi.org/10.1109/ACCESS.2020.2997710
- Kehl K. L., Elmarakeby H., Nishino M., Van Allen E. M., Lepisto E. M., Hassett M. J., Johnson B. J., Schrag D. Assessment of deep natural language processing in ascertaining oncologic outcomes from radiology reports // JAMA Oncol..– 2019.– Vol. 5.– No. 10.– pp. 1421–1429. https://doi.org/10.1001/jamaoncol.2019.1800
- Rodriguez-Ruiz A., Lang K., Gubern-Merida A., Broeders M., Gennaro G., Clauser P., Helbich Th. H., Chevalier M., Tan T., Mertelmeier Th.,Wallis M. G., Andersson I., Zackrisson S., Mann R. M., Sechopoulos I. Stand-Alone artificial intelligence for breast cancer detection in mammography: Comparison with 101 radiologists // Journal of the National Cancer Institute.– Vol. 111.– No. 9.– pp. 916–922. https://doi.org/10.1093/jnci/djy222
- Wang X., Peng Y., Lu L., Lu Z., Bagheri M., Summers R. M. ChestX-ray8: Hospital-scale chest X-ray database and benchmarks on weakly-supervised classification and localization of common thorax diseases, 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).– pp. 2097–2106. https://doi.org/10.1109/CVPR.2017.369 %
- Bustos A., Pertusa A., Salinas J.-M., de la Iglesia-Vay´a M. PadChest: A large chest x-ray image dataset with multi-label annotated reports // Med. Image Anal..– 2020.– Vol. 66.– 101797. https://doi.org/10.1016/j.media.2020.101797
- Д. И. Калиев, О. Я. Швец Сверточные нейронные сети для решения задач обнаружения пожаров по данным аэрофотосъемки // Программные системы: теория и приложения.– 2022.– Т. 13.– №1.– с. 195–213. https://doi.org/10.2520hU9t/Rt2pL0:7/9/-p3s3t1a6.p-2si0r2a2s-.r1u3/-1r-e1a9d5/-p2s1t3a2022_1_195-213.pdf
- Carion N., Massa F., Synnaeve G., Usunier N., Kirillov A., Zagoruyko S. DE ... TR: End-to-end object detection with transformers, GitHub. UhtRtpLs://github.com/facebookresearch/detr
- Vaswani A., Shazeer N., Parmar N., Uszkoreit J., Jones L., Gomez A. N., Kaiser L., Polosukhin I. Attention is all you need // Advances in Neural Information Processing Systems 30, 31st Conference on Neural Information Processing Systems (NIPS 2017) (Long Beach, CA, USA), eds. I. Guyon, U. Von Luxburg, S. Bengio, H. Wallach, R. Fergus, S. Vishwanathan, R. Garnett.– 2017.– ISBN 9781510860964.– pp. 6000–6010. hUtRtpLs://proceedings.neurips.cc/paper/2017/file/3f5ee243547dee91fbd053c1c4a845aa
- Lin T.-Y., Maire M., Belongie S., Hays J., Perona P., Ramanan D., Doll´ar P., Zitnick C. L. Microsoft COCO: common objects in context, Computer Vision – ECCV 2014, Lecture Notes in Computer Science.– vol. 8693, eds. Fleet D., Pajdla T., Schiele B., Tuytelaars T., Cham: Springer.– 2014.– ISBN 978-3-319-10601-4.– pp. 740–755. https://doi.org/10.1007/978-3-319-10602-1_48
- He K., Zhang X., Ren Sh., Sun J. Deep residual learning for image recognition.– 2015.– 12 pp. arXivarXiv 1512.03385 [cs.CV] https://doi.org/10.48550/arXiv.1512.03385
- Kolchev A., Pasynkov D., Egoshin I., Kliouchkin I., Pasynkova O., Tumakov D. YOLOv4-based CNN model versus nested contours algorithm in the suspicious lesion detection on the mammography image: A direct comparison in the real clinical settings // Journal of Imaging.– 2022.– Vol. 8.– No. 4.– 88. https://doi.org/10.3390/jimaging8040088
- Pizer S. M., Amburn E.P., Austin J. D., Cromartie R., Geselowitz A., Greer T., ter Haar Romeny B., Zimmerman J. B., Zuiderveld K. Adaptive histogram equalization and its variations // Computer Vision, Graphics and Image Processing.– 1987.– Vol. 39.– No. 3.– pp. 355–368. https://doi.org/10.1016/S0734-189X(87)80186-X
