Диагностика кардиомегалии на рентгенограммах с применением сверточных нейронных сетей

Бюллетень науки и практики / Bulletin of Science and Practice

УДК 616.12-009.7-071-073; 004.93                   

Кардиомегалия представляет собой патологическое увеличение размеров сердца, которое может быть вызвано различными заболеваниями, такими как гипертония, ишемическая болезнь сердца или кардиомиопатия. Это состояние существенно влияет на общее состояние здоровья пациента и требует своевременной диагностики для предотвращения осложнений. Традиционные методы диагностики, такие как рентгенография грудной клетки, позволяют выявить кардиомегалию, однако их эффективность ограничена субъективностью интерпретации и зависимостью от опыта врача. В связи с этим возникает необходимость в разработке автоматизированных методов, которые бы обеспечивали высокую точность и надежность диагностики. Использование технологий искусственного интеллекта, в частности сверточных нейронных сетей, предоставляет новые возможности для решения этой проблемы.

Эхокардиография и МРТ предоставляют более детализированную информацию о состоянии сердца, но требуют специализированного оборудования и квалифицированного персонала, что ограничивает их применение в стандартной клинической практике. В этой связи рентгенография продолжает оставаться основным методом первичной диагностики, несмотря на свои ограничения. Это подчеркивает необходимость разработки автоматизированных подходов для анализа рентгенограмм, которые могут повысить точность диагностики и снизить зависимость от человеческого фактора. Например, автоматическая оценка фракционного резерва кровотока с помощью CT AI может выявить аномальный фракционный резерв кровотока с AUC 0,78, чувствительностью 84,6 % и специфичностью 62,6 % [1, с. 4].

Искусственный интеллект (ИИ), включая сверточные нейронные сети (СНС), находит широкое применение в медицинской диагностике благодаря способности анализировать большие объемы данных и выявлять скрытые закономерности. В области медицинской визуализации ИИ активно используется для автоматической классификации изображений, обнаружения патологий и прогнозирования исходов заболеваний. «Мощной технологией анализа таких данных является машинное и, в частности, глубокое обучение» [2, с. 1].

Внедрение этих технологий не только повышает точность диагностики, но и значительно сокращает время анализа, что особенно актуально в условиях высокой нагрузки на медицинский персонал.

Материал и методы исследования

Сверточные нейронные сети (СНС) — это особый тип нейронных сетей, который был создан специально для работы с визуальными данными. В основе их функционирования лежит механизм свёрток, благодаря которому сеть способна выявлять на изображениях значимые характеристики: контуры объектов, особенности текстур и геометрические формы. Процесс анализа осуществляется посредством применения специальных фильтров, которые последовательно сканируют изображение и формируют так называемые карты признаков. Важно отметить, что «обучение нейронной сети - это процесс, в котором параметры нейронной сети настраиваются посредством моделирования среды, в которую эта сеть встроена» [3, с. 19].

Разрабатываемый алгоритм основан на архитектуре сверточной нейронной сети, специально адаптированной для анализа рентгенограмм грудной клетки. Его основной задачей является автоматическое выявление признаков кардиомегалии на изображениях. Алгоритм был обучен на большом наборе данных, содержащем помеченные изображения, что позволило ему научиться различать нормальные рентгенограммы от тех, которые демонстрируют патологические изменения. Для повышения точности были использованы методы увеличения данных и регуляризации модели. На Рисунке 1 представлена рентгенограмма без паталогий. На Рисунке 2 заметно увеличение сердца.

Рисунок 1. Рентген без паталогий

Рисунок 2. Рентген с признаками кардиомегалии

Для обучения модели использовались общедоступные наборы данных рентгенограмм, такие как NIH Chest X-rays, который включает более 100 тысяч изображений . Эти данные были предварительно обработаны для удаления шумов и улучшения качества изображений. Также была проведена разметка данных, которая включала классификацию изображений на категории с признаками кардиомегалии и без них.

Для улучшения стабильности и качества работы модели была выполнена стандартизация (z-нормализация) значений пикселей изображений по формуле :

x — i

о где fi — среднее значение по датасету; о — стандартное отклонение.

Процесс обучения модели включал разделение данных на тренировочные, валидационные и тестовые подмножества. Тренировочные данные использовались для настройки параметров модели, валидационные — для оценки ее производительности в процессе обучения, а тестовые — для окончательной проверки точности и надежности алгоритма. Для оценки точности и производительности алгоритма использовались различные метрики, включая точность, полноту, F1-меры. Эти показатели обеспечили объективную оценку качества работы модели и позволили сравнить её с традиционными методами диагностики. Важно отметить, что «в данной работе предлагается метод принятия решения об обнаружении, также имеющий потенциал к классификации обнаруживаемого объекта для локационных систем» [4, с. 1].

Таким образом, предложенный метод не только демонстрирует высокую эффективность, но и открывает новые возможности для улучшения диагностики, что подчеркивает его значимость в данной области. На Рисунке 3 представлены метрики качества модели.

Confusion Matrix: [[1790 429] Г 391 lS28i]

Classification Report

	precisian	recall	fl-score	support
false	0.E2	o.ei	0.E1	2219
true	o.ei	0.E2	0.Ё2	2219
accuracy			0.E2	4433
macro avg	0.E2	0.E2	0.E2	4433
weighted avg	0.E2	0.E2	0.E2	4433

Рисунок 3. Метрики качества модели

Результаты и обсуждение

Результаты работы алгоритма продемонстрировали его способность достигать точности до 82%, что значительно превышает показатели традиционных методов диагностики, таких как визуальный анализ врачом. Данный факт наглядно демонстрирует значительные возможности, которые открывает применение искусственного интеллекта в сфере автоматизации диагностики на основе медицинских изображений. В рамках исследования проведён детальный анализ ныне существующих методик распознавания таких изображений, а также рассмотрена усовершенствованная версия алгоритма Собеля, которая принимает во внимание специфические характеристики медицинских изображений [5, с. 1].

Эксперименты продемонстрировали, что разработанный алгоритм способен автоматически идентифицировать кардиомегалию с высокой степенью достоверности. Это подтверждает эффективность подхода, основанного на использовании сверточных нейронных сетей для анализа рентгенограмм.

Основными преимуществами предложенного подхода являются автоматизация процесса диагностики, снижение субъективности и повышение точности анализа. Однако ограничением может быть зависимость от качества входных данных, так как наличие шумов или низкое разрешение изображений может негативно повлиять на результаты анализа.

Применение разработанного алгоритма в клинической практике может значительно сократить время диагностики и повысить доступность медицинских услуг, особенно в удаленных регионах. «Сегодня в медицине накоплено огромное количество данных, которые сами по себе бессмысленны, но их обработка и анализ могут трансформировать клиническую практику» [6, с. 98]. Это создает новые возможности для внедрения технологий искусственного интеллекта в здравоохранение, что может привести к улучшению качества медицинской помощи и оптимизации процессов.

Заключение

В результате проведенного исследования было показано, что использование сверточных нейронных сетей для автоматического выявления кардиомегалии на рентгенограммах грудной клетки является перспективным направлением. Разработанный алгоритм продемонстрировал высокую точность, а именно 82% и надежность, что подтверждает эффективность применения искусственного интеллекта в медицинской диагностике.