Разработка классификатора фотоизображений патологий для ультрамалого набора данных
Автор: Адамов Антон Андреевич, Гндоян Ирина Асатуровна, Дятчина Алена Игоревна, Храмов Владимир Николаевич
Журнал: Математическая физика и компьютерное моделирование @mpcm-jvolsu
Рубрика: Моделирование, информатика и управление
Статья в выпуске: 1 т.26, 2023 года.
Бесплатный доступ
Цель работы: создать алгоритм и реализовать его в программном средстве для классификации фотоизображений патологий центральной области глазного дна человека, выявляемых при помощи исследования аутофлюоресценции, по 8 типам-паттернам: нормальный, минимальные изменения, фокальный, пятнистый, линейный, кружевоподобный, ретикулярный, крапчатый. Методы: алгоритмы машинного обучения (сверточные нейронные сети) и компьютерного зрения (гистораммные методы, перцептивные хэш-алгоритмы). Главная особенность задачи: ультрамалый набор уникальных фотоизображений с точно диагностируемым типом патологии (18 штук). Точность прогнозов при решении задачи с помощью нейросети 12,5 %. Точность прогнозов разработанного алгоритма с использованием комбинации гистограмм, перцептивного хэша и 1 опорного фото нормального состояния глазного дна равна 60% при подборе параметров классификатора из набора 1 фото на 1 патологию. При использовании 3 опорных фото нормы - 85 %. Предложенное решение может использоваться в медицине, офтальмологии, фотонике и оптике биотканей, машинном обучении как в научно-исследовательских, так и учебных целях.
Обработка фотоизображений, компьютерное зрение, машинное обучение, классификация изображений, гистограмма, перцептивный хэш, офтальмологическая диагностика, компьютеризация медицины
Короткий адрес: https://sciup.org/149142931
IDR: 149142931 | УДК: 519.688 | DOI: 10.15688/mpcm.jvolsu.2023.1.3
Development of a classifier of photo images of pathologies for an ultra-small data set
The purpose of the work is to create an algorithm and implement it in a software tool for classifying photographic images of pathology of the central region of the human fundus, detected by autofluorescence research, according to 8 types-patterns: normal, minimal changes, focal, spotted, linear, lace-like, reticular, speckled. Methods used machine learning algorithms (convolutional neural networks) and computer vision (histogram methods, perceptual hash algorithms). The main feature of the task is an ultra-small set of unique photoimages with an accurately diagnosed type of pathology (18 pieces). The accuracy of forecasts when solving a problem using a neural network is 12.5%. The accuracy of the predictions of the developed algorithm using a combination of histograms, perceptual hash and one reference photo of the normal state of the fundus is 60% when selecting the classifier parameters from a set of onephoto for one pathology. When using three reference photos, the norm is 85%. The proposed solution can be used in medicine, ophthalmology, photonics and optics of biological tissues, machine learning for both research and educational purposes.
Список литературы Разработка классификатора фотоизображений патологий для ультрамалого набора данных
- База данных: Патологии центральной области глазного дна человека, выявляемые при помощи исследования аутофлюоресценцией. — Электрон. текстовые дан. — Режим доступа: https://notabug.org/Tonypythony/meddb. — Загл. с экрана.
- Бобков, А. В. Системы распознавания образов: учеб. пособие / А. В. Бобков. — М.: Изд-во МГТУ им. Н. Э. Баумана, 2018. — 187 с.
- Гермашев, И. В. Применение моделей нечеткой математики для решения задач медицинской диагностики / И. В. Гермашев, В. И. Дубовская // Математическая физика и компьютерное моделирование. — 2021. — Т. 24, № 4. — C. 53-65. — DOI: https://doi.Org/10.15688/mpcm.jvolsu.2021.4.4
- Гндоян, И. А. Аутофлюоресценция глазного дна в диагностике возрастной макулярной дегенерации / И. А. Гндоян, А. В. Петраевский, А. И. Дятчина // Вестник офтальмологии. — 2020. — Т. 136, № 5. — C. 136-141. — DOI: https://doi.org/10.17116/oftalma2020136051136
- Гонсалес, Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс. — М.: Техносфера, 2005. — 1072 с.
- Джереми, Х. Глубокое обучение с fastai и PyTorch: минимум формул, минимум кода, максимум эффективности / Х. Джереми, Г. Сильвейн. — СПб.: Питер, 2022. — 624 с.
- Ильясова, Н. Ю. Применение сверточных нейронных сетей для анализа изображений глазного дна / Н. Ю. Ильясова, А. С. Широканев, И. А. Климов // Сборник трудов ИТНТ-2019. — 2019. — Т. 4. — C. 111-118.
- Использование программы IBM WATSON в лечении онкологических заболеваний в Южной Корее. — Электрон. текстовые дан. — Режим доступа: https://medical-express.ru/branches/oncologiya/ibm-watson-v-medicine. — Загл. с экрана.
- Классификатор фотоизображений АФ глазного дна. — Электрон. текстовые дан. — Режим доступа: https://github.com/Antoniii/humashineye. — Загл. с экрана.
- Крейман, Г. Биологическое и компьютерное зрение / Г. Крейман. — М.: ДМК Пресс, 2022. — 314 c.
- Логинов, В. Н. Разработка web-приложения системы идентификации дефектов металла на полутоновых изображениях с использованием каскадного классификатора Хаара на платформе Asp .Net Core MVC / В. Н. Логинов, К. А. Щипанов, В. В. Лавров // Вестник Череповецкого государственного университета. — 2019. — № 4. — C. 8-22.
- Лосев, А. Г. Интеллектуальный анализ данных микроволновой радиотермометрии в диагностике рака молочной железы / А. Г. Лосев, В. В. Левшинский // Математическая физика и компьютерное моделирование. — 2017. — № 5 (342). — C. 16-22. — DOI: https://doi.org/10.15688/mpcm.jvolsu.2017.5.6
- Лошманов, В. И. Разработка и валидация метода классификации офтальмологической патологии с применением глубокого машинного обучения / В. И. Лошманов, А. Г. Кравец // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. — 2021. — № 2. — C. 57-65. — DOI: 10.24143/2072-9502-2021-2-57-65
- Методы и алгоритмы контурного анализа для задач классификации сложнострукту-рируемых изображений / М. В. Дюдин, А. Д. Поваляев, Е. С. Подвальный, Р. А. Томакова // Вестник ВГТУ. — 2014. — Т. 10, № 3-1. — C. 54-59.
- Молодяков, С. А. Применение функций OpenCV в компьютерном зрении (60 примеров на Python) / С. А. Молодяков. — СПб.: Изд-во Политехн. ун-та, 2022. — 296 c.
- Обнаружение объектов без машинного обучения. — Электрон. текстовые дан. — Режим доступа: https://newtechaudit.ru/obnaruzhenie-obektov-bez-ispolzovaniya-mashinnogo-obucheniya/. — Загл. с экрана.
- Обработка изображений в цифровой фотографии. Анализ гистограмм. — Электрон. текстовые дан. — Режим доступа: http://photo-magic2007.narod.ru/Stati/analiz_gist/analiz_gist.html. — Загл. с экрана.
- Орельен, Ж. Прикладное машинное обучение с помощью Scikit-Learn, Keras и TensorFlow: концепции, инструменты и техники для создания интеллектуальных систем / Ж. Орельен. — СПб.: ООО «Диалектика», 2020. — 1040 c.
- Павельева, Е. А. Обработка и анализ изображений на основе использования информации о фазе / Е. А. Павельева // Компьютерная оптика. — 2018. — Т. 42, № 6. — C. 1022-1034.
- Половинкин, А. Н. Алгоритмы классификации изображений с большим числом категорий объектов / А. Н. Половинкин // Вестник ННГУ. — 2013. — № 4-1. — C. 225-232.
- Посохов, И. Методика построения функции принадлежности для классификации изображений на основе гистограмм яркости / И. Посохов, И. С. Логунова. — Электрон. текстовые дан. — Режим доступа: https://ceur-ws.org/Vol-1197/paper20.pdf. — Загл. с экрана.
- Пухова, Е. А. Оценка гистограммных преобразований в печатном процессе / Е. А. Пухова, Ю. С. Андреев, О. В. Панкин // Известия ТулГУ. Технические науки. — 2018. — № 6. — C. 1-10.
- Функция cv2.blur() в OpenCV Python. — Электрон. текстовые дан. — Режим доступа: https://tonais.ru/library/funktsiya-cv2-blur-opencv-python. — Загл. с экрана.
- Шакирьянов, Э. Д. Компьютерное зрение на Python. Первые шаги / Э. Д. Шакирьянов. — Электрон. текстовые дан. — Режим доступа: https://www.litres.ru/get_pdf_trial/63606057.pdf. — Загл. с экрана.
- Шолле, Ф. Глубокое обучение на Python / Ф. Шолле. — СПб.: Питер, 2018. — 400 c.
- Элбон, К. Машинное обучение с использованием Python. Сборник рецептов / К. Элбон. — СПб.: БХВ-Петербург, 2019. — 384 c.
- Ярышев, С. Н. Технологии глубокого обучения и нейронных сетей в задачах видеоанализа / С. Н. Ярышев, В. А. Рыжова. — СПб.: Ун-т ИТМО, 2022. — 82 c.
- Aykat, S. Deep Learning in Retinal Diseases Diagnosis: A Review / S. Aykat, S. Senan // Machine Learning and AI Techniques in Interactive Medical Image Analysis. — 2023. — P. 34. — DOI: 10.4018/978-1-6684-4671-3.ch001
- Classification of Fundus Autofluorescence Patterns in Early Age-Related Macular Disease / A. Bindewald, A. C. Bird, S. S. Dandekar, J. Dolar-Szczasny, J. Dreyhaupt, F. W. Fitzke, W. Einbock, F. G. Holz, J. J. Jorzik, C. Keilhauer, N. Lois, J. Mlynski, D. Pauleikhoff, G. Staurenghi, S. Wolf // Investigative Ophthalmology & Visual Science. — 2005. — Vol. 46, № 9. — P. 3309-3314.
- Detection of Duplicate Images Using Image Hash Functions. — Electronic text data. — Mode of access: https://towardsdatascience.com/detection-of-duplicate-images-using-image-hash-functions-4d9c53f04a75. — Title from screen.
- FCOS: Fully Convolutional One-Stage Object Detection. — Electronic text data. — Mode of access: https://arxiv.org/abs/1904.01355. — Title from screen.
- Feature Pyramid Networks for Object Detection. — Electronic text data. — Mode of access: https://arxiv.org/abs/1612.03144. — Title from screen.
- Histogram Matching. — Electronic text data. — Mode of access: https://scikit-image.org/docs/stable/auto_examples/color_exposure/plot_histogram_matching.html#sphx-glr-auto-examples-color-exposure-plot-histogram-matching-py. — Title from screen.
- IBM Bets Future on Cognitive Platform Watson. — Electronic text data. — Mode of access: https://koreajoongangdaily.joins.com/news/article/article.aspx?aid=3032651. — Title from screen.
- IBM's Watson to Be Used at Korean Hospital. — Electronic text data. — Mode of access: https://www.koreatimes.co.kr/www/tech/2020/03/129_213747.html. — Title from screen.
- Image Classification from Scratch. — Electronic text data. — Mode of access: https://keras.io/examples/vision/image_classification_from_scratch/. — Title from screen.
- Image Similarity Assessment. Master's Thesis. — Electronic text data. — Mode of access: https://dspace5.zcu.cz/bitstream/11025/12532/1/dip_fric_vojtech.pdf. — Title from screen.
- Jie, Z. Novel Block-DCT and PCA Based Image Perceptual Hashing Algorithm / Z. Jie // IJCSI International Journal of Computer Science Issues. — 2013. — Vol. 10, iss. 1, № 3. — P. 399-403.
- Kim, H. Exploiting the vulnerability of deep learning-based artificial intelligence models in medical imaging: Adversarial attacks / H. Kim, D. C. Jung, B. W. Choi // Journal of the Korean Society of Radiology. — 2019. — № 80 (2). — P. 259-273. — DOI: 10.3348/jksr.2019.80.2.259
- MedPy 0.4.0. — Electronic text data. — Mode of access: https://pypi.org/project/MedPy/. — Title from screen.
- Mutli Label Classification. — Electronic text data. — Mode of access: https://www.kaggle.com/code/mustafa9901/mutli-label-classification. — Title from screen.
- Retinal Disease Classification. — Electronic text data. — Mode of access: https://www.kaggle.com/datasets/andrewmvd/retinal-disease-classification. — Title from screen.
- Verma, M. AI and Machine Learning: Supervised Learning Techniques Based on IoMT / M. Verma // The Internet of Medical Things (IoMT) and Telemedicine Frameworks and Applications. — 2023. — P. 177-188. — DOI: 10.4018/978-1-6684-3533-5.ch010
