Использование нейронных сетей для поиска нарушений укладки пациента на рентгенограммах органов грудной клетки

Обложка

Цитировать

Полный текст

Аннотация

В работе представлены результаты применения трансферного обучения глубоких сверточных нейронных сетей для задачи поиска рентгенограмм органов грудной клетки с нарушениями укладки и позиционирования пациента. Оцениваемые нейросетевые архитектуры: InceptionV3, Xception, ResNet152V2, InceptionResNetV2, DenseNet201, VGG16, VGG19, MobileNetV2, NASNetLarge. Для обучения и тестирования использовались рентгенограммы грудной клетки, полученные из открытых наборов данных и Единого радиологического информационного сервиса города Москвы. Все полученные модели имели метрики диагностической точности выше 95%, при этом модели на основе архитектур ResNet152V2, DenseNet201, VGG16, MobileNetV2 имели статистически значимо лучшие метрики, чем другие модели. Наилучшие абсолютные значения метрик показала модель ResNet152V2 (AUC =0.999 ,чувствительность=0.987, специфичность=0.988, общая валидность =0.988, F1 мера = 0.988). Модель MobileNetV2 показала наилучшую скорость обработки одного исследования (67.8±5.0 ms). Широкое использование полученных нами алгоритмов способно облегчить создание больших баз данных качественных медицинских изображений, а также оптимизировать контроль качества при выполнении рентгенографических исследований органов грудной клетки.

Об авторах

Александр Александрович Борисов

Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы; Российский национальный исследовательский медицинский университет им. Н. И. Пирогова

Автор, ответственный за переписку.
Email: aleksandrborisov10650@gmail.com
ORCID iD: 0000-0003-4036-5883
Младший научный сотрудник отдела медицинской информатики, радиомики и радиогеномики НПКЦ диагностики и телемедицинских технологий ДЗМ, Москва. Аналитик ИЦТМ ФГАОУ ВО РНИМУ им. Н.И. Пирогова, Москва Научные интересы: лучевая диагностика, компьютерное зрение в области обработки медицинских изображений, машинное обучение, нейронные сети, оценка качества диагностических исследований

Юрий Александрович Васильев

Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы

Email: VasilevYA1@zdrav.mos.ru
ORCID iD: 0000-0002-0208-5218
к.м.н, директор НПКЦ диагностики и телемедицинских технологий ДЗМ. Главный внештатный специалист по лучевой и инструментальной диагностике ДЗМ, член правления Московского регионального отделения Российского общества рентгенологов и радиологов Научные интересы: оказание медицинской помощи с применением цифровых технологий, технологии искусственного интеллекта в диагностике

Антон Вячеславович Владзимирский

Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы

Email: VladzimirskijAV@zdrav.mos.ru
ORCID iD: 0000-0002-2990-7736
д.м.н., заместитель директора по научной работе НПКЦ диагностики и телемедицинских технологий ДЗМ. Научные интересы: доказательная телемедицина, организация и оказание медицинской помощи с применением цифровых (информационных) технологий, методология оценки качества телемедицинских технологий, эффективность телемедицины в клинических дисциплинах, методология оценки качества и точности алгоритмов искусственного интеллекта, история телемедицины.

Ольга Васильевна Омелянская

Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы

Email: OmelyanskayaOV@zdrav.mos.ru
ORCID iD: 0000-0002-0245-4431
Руководитель по управлению подразделениями Дирекции наука НПКЦ диагностики и телемедицинских технологий ДЗМ. Научные интересы: оказание медицинской помощи с применением цифровых технологий, технологии искусственного интеллекта в диагностике

Серафим Сергеевич Семенов

Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы

Email: SemenovSS3@zdrav.mos.ru
ORCID iD: 0000-0003-2585-0864
врач-рентгенолог, младший научный сотрудник сектора разработки систем внедрения медицинских интеллектуальных технологий НПКЦ диагностики и телемедицинских технологий ДЗМ. Научные интересы: радиомика, текстурный анализ изображений, информационные технологии в медицине, технологии искусственного интеллекта и компьютерное зрение в диагностике

Кирилл Михайлович Арзамасов

Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы

Email: ArzamasovKM@zdrav.mos.ru
ORCID iD: 0000-0001-7786-0349
к.м.н., руководитель отдела медицинской информатики, радиомики и радиогеномики НПКЦ диагностики и телемедицинских технологий ДЗМ. Научные интересы: системы поддержки принятия врачебных решений на базе технологии искусственного интеллекта в диагностике, системы анализа медицинских изображений в ультразвуковой и лучевой диагностике, телемедицинские диагностические системы, носимые устройства мониторирования сердечно-сосудистой системы

Список литературы

  1. Lampignano J., Bontrager K. L.. Textbook of Radiographic Positioning and Related Anatomy, 8th edition, Elsevier Mosby, St. Louis (Mo.), 2014, ISBN 978-0323083881, 848 pp.
  2. Broder J.. “Imaging the chest: the chest radiograph”, Diagnostic Imaging for the Emergency Physician, chapter 5, Elsevier, 2011, ISBN 978-1-4160-6113-7, pp. 185–296.
  3. Wang J., Li Zh., Pu L., Zhang K., Liu X., Zhou B.. “Research and application of orthotopic DR chest radiograph quality control system based on artificial intelligence”, Journal of Biomedical Engineering, 37:1 (2020), pp. 158–168.
  4. Морозов С. П., Кузьмина Е. С., Ледихова Н. В., Владзимирский А. В., Трофименко И. А., Мокиенко О. А., Панина Е. В., Андрейченко А. Е., Омелянская О. В., Гомболевский В. А., Полищук Н. С., Шулькин И. М., Решетников Р. В.. «Мобилизация научно-практического потенциала службы лучевой диагностики г. Москвы в пандемию COVID-19», Digital Diagnostics, 1:1 (2020), с. 5–11.
  5. Морозов С. П., Ледихова Н. В., Панина Е. В., Владзимирский А. В., Фомичева Е. П.. «Качество работы рентгенолаборантов в условиях дистанционного взаимодействия с референс-центром лучевой диагностики с применением телемедицинских технологий», Национальное здравоохранение, 2:2 (2021), с. 36–46.
  6. van Leeuwen K. G., de Rooij M., Schalekamp S., van Ginneken B., Rutten M. J. C. M.. “How does artificial intelligence in radiology improve efficiency and health outcomes?” Pediatr. Radiol., 52:11 (2022), pp. 2087–2093.
  7. Willis Ch. E., Nishino T. K., Wells J. R., Ai H. A., Wilson J. M., Samei E.. “Automated quality control assessment of clinical chest images”, Med. Phys., 45:10 (2018), pp. 4377–4391.
  8. Miotto R., Wang F., Wang Sh., Jiang X., Dudley J. T.. “Deep learning for healthcare: review, opportunities and challenges”, Brief Bioinform., 19:6 (2018), pp. 1236–1246.
  9. Usman M., Zia T., Tariq A.. “Analyzing transfer learning of vision transformers for interpreting chest radiography”, J. Digit. Imaging, 35:6 (2022), pp. 1445–1462.
  10. Kim H. E., Cosa-Linan A., Santhanam N., Jannesari M., Maros M. E., Ganslandt T.. “Transfer learning for medical image classification: a literature review”, BMC Med. Imaging, 22 (2022), 69, 13 pp.
  11. Szegedy Ch., Vanhoucke V., Ioffe S., Shlens J., Wojna Z.. “Rethinking the inception architecture for computer vision”, 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (Las Vegas, NV, USA, 27–30 June 2016), 2016, pp. 2818–2826.
  12. Chollet F.. “Xception: deep learning with depthwise separable convolutions”, 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (Honolulu, HI, USA, 21–26 July 2017), 2017, pp. 1800–1807.
  13. He K., Zhang X., Ren S., Sun J.. “Identity mappings in deep residual networks”, Computer Vision – ECCV 2016 (Amsterdam, The Netherlands, October 11–14, 2016), Lecture Notes in Computer Science, vol. 9908, eds. Leibe B., Matas J., Sebe N., Welling M., Springer, Cham, 2016, ISBN 978-3-319-46493-0, pp. 630–645.
  14. Szegedy Ch., Ioffe S., Vanhoucke V., Alemi A.. “Inception-v4, inception-ResNet and the impact of residual connections on learning” (San Francisco, California, 2017), Proceedings of the AAAI Conference on Artificial Intelligence, 31:1, Proceedings of the Thirty-First AAAI Conference on Artificial Intelligence AAAI 2017, pp. 4278–4284.
  15. Huang G., Liu Z., Van Der Maaten L., Weinberger K. Q.. “Densely connected convolutional networks”, 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, USA, 21–26 July 2017, 2017, ISBN 978-1-5386-0457-1, pp. 2261–2269.
  16. Liu S., Deng W.. “Very deep convolutional neural network based image classification using small training sample size”, 2015 3rd IAPR Asian Conference on Pattern Recognition (ACPR) (Kuala Lumpur, Malaysia, 03–06 November 2015), 2015, pp. 730–734.
  17. Sandler M., Howard A., Zhu M., Zhmoginov A., Chen L.-C.. “MobileNetV2: inverted residuals and linear bottlenecks”, 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition (Salt Lake City, UT, USA, 18–23 June 2018), 2018, pp. 4510–4520.
  18. Zoph B., Vasudevan V., Shlens J., Le Q. V.. “Learning transferable architectures for scalable image recognition”, 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition (Salt Lake City, UT, USA, 18–23 June 2018), 2018, pp. 8697–8710.
  19. Морозов С. П., Владзимирский А. В., Кляшторный В. Г., Андрейченко А. Е., Кульберг Н. С., Гомболевский В. А.. Клинические испытания программного обеспечения на основе интеллектуальных технологий (лучевая диагностика), М., 2019, 34 с.
  20. Kanjanasurat I., Tenghongsakul K., Purahong B., Lasakul A.. “CNN–RNN Network Integration for the Diagnosis of COVID-19 Using Chest X-ray and CT Images”, Sensors (Basel), 23:3 (2023), 1356, 12 pp.
  21. Baccouche A., Garcia-Zapirain B., Elmaghraby A. S.. “An integrated framework for breast mass classification and diagnosis using stacked ensemble of residual neural networks”, Sci. Rep., 12:1 (2022), 12259, 17 pp.
  22. Nguyen T., Do T. H., Pham Q. D.. “A deep learning based system for Covid-19 positive cases detection using chest X-ray images”, Proceedings of the 2022 13th International Conference on Information and Communication Technology Convergence (ICTC) (Jeju Island, Republic of Korea, 19–21 October 2022), pp. 1082–1087.
  23. Liu Z., Liu Y., Zhang W., Hong Y., Meng J., Wang J., Zheng Sh., Xu X.. “Deep learning for prediction of hepatocellular carcinoma recurrence after resection or liver transplantation: a discovery and validation study”, Hepatol. Int., 16:3 (2022), pp. 577–589.
  24. Борисов А. А., Семенов С. С., Арзамасов К. М.. «Использование трансферного обучения для автоматизированного поиска дефектов на рентгенограммах органов грудной клетки», Медицинская визуализация, 27:1, с. 158–169.
  25. Whaley J. S., Pressman B. D., Wilson J. R., Bravo L., Sehnert W. J., Foos D. H.. “Investigation of the variability in the assessment of digital chest X-ray image quality”, J. Digit. Imaging, 26:2 (2013), pp. 217–226.
  26. European Society of Radiology (ESR). “What the radiologist should know about artificial intelligence — an ESR white paper”, Insights Imaging, 10:1 (2019), 44.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».