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 | DOI: 10.15688/mpcm.jvolsu.2023.1.3
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
Статья научная
