НЕЙРОСЕТЕВОЙ КЛАССИФИКАТОР РЕНТГЕНОВСКИХ ИЗОБРАЖЕНИЙ ГРУДНОЙ КЛЕТКИ ДЛЯ ОБНАРУЖЕНИЯ ПРИЗНАКОВ COVID-19 ПНЕВМОНИИ

Обложка

Цитировать

Полный текст

Аннотация

Актуальность и цели. Рассматривается разработка нейросетевого бинарного классификатора рентгеновских изображений грудной клетки, позволяющего обнаружить характерные признаки пневмоний, вызванных COVID-19. Приведены до- воды в пользу применения рентгенографии как альтернативы компьютерной томографии при выявлении изменений в легких, характерных для COVID-19. Проведен анализ публикаций в области автоматической классификации рентгеновских изображений с признаками COVID-19 пневмоний. Материалы и методы. Для обучения и тестирования модели использовался авторский набор данных, состоящий из 1240 рентгеновских изображений грудной клетки. Обучающая часть набора данных была подвергнута процедуре аугментации. Предложена оригинальная четырнадцатислойная модель классификатора. Обучение модели проходило в течение 20 эпох. Результаты. Оценка качества классификации проведена при помощи стандартных метрик. Были получены следующие значения метрик: Sensitivity (Recall) – 95,4 %, Specificity – 97,8 %, Accuracy – 96,7 %, Precision – 96,6 %, F1-scope – 96 %. Дополнительное тестирование модели было проведено на 228 изображениях базы COVID-19 Radiography Database платформы Kaggle, при этом получены следующие значения метрик: Sensitivity (Recall), Specificity, Accuracy – 96 %, Precision – 93 %, F1-scope – 94 %. Выводы. Качество классификации рентгеновских изображений грудной клетки разработанной моделью соответствует современному уровню и достаточно близко к врачебному. Разработанный классификатор может быть использован в практической рентгенологии в качестве нейросетевого ассистента врача-рентгенолога.

Об авторах

Леонид Юрьевич Кривоногов

Пензенский государственный университет

Автор, ответственный за переписку.
Email: leonidkrivonogov@yandex.ru

доктор технических наук, доцент, профессор кафедры медицинской кибернетики и информатики

(Россия, г. Пенза, ул. Красная, 40)

Илхомджон Сулхиддинович Иномбоев

Пензенский государственный университет

Email: ilhomdzoninomboev@gmail.com

студент

(Россия, г. Пенза, ул. Красная, 40)

Юлия Петровна Чебан

Пензенская областная клиническая больница имени Н. Н. Бурденко

Email: petrunina_julija@inbox.ru

врач-рентгенолог рентгеновского отделения

(Россия, г. Пенза, ул. Лермонтова, 28)

Список литературы

  1. Эсауленко Е. В., Александрович Ю. С., Бушманова А. Д. [и др.]. Вирусные пневмонии : учеб. пособие для врачей. СПб. : Изд-во СПбГПМУ, 2021.
  2. Ковидная пневмония // Медпортал. URL: https://medportal.ru/enc/infection/coronavirus/ kovidnaya-pnevmoniya/ (дата обращения: 20.05.2025).
  3. Профилактика, диагностика и лечение новой коронавирусной инфекции (COVID19): временные методические рекомендации. Версия 18 (от 26.10.2023) / Министерство здравоохранения Российской Федерации. 250 с. URL: http://disuria.ru/_ld/13/1343_C19PDL261023N18.pdf (дата обращения: 20.05.2025).
  4. Hemdan E. E., Shouman M. A., Karar M. E. COVIDX-NET: A Framework of Deep Learning Classifiers to Diagnose COVID-19 in X-ray Images. URL: arXiv:2003.11055 (дата обращения: 20.05.2025).
  5. Nishio M., Noguchi S., Matsuo H., Murakami T. Automatic Classification between COVID-19 Pneumonia, Non-COVID-19 Pneumonia, and The Healthy on Chest X-ray Image: Combination of Data Augmentation Methods // Sci. Rep. 2020. № 10 (1). Р. 1–6.
  6. Minaee S., Kafiehb R., Sonkac M. [et al.]. Deep-COVID: Predicting COVID-19 from chest X-ray images using deep transfer learning // Med. Image Anal. 2020. № 65. Р. 101794.
  7. Wang L., Lin Z. Q., Wong A. COVID-NET: A Tailored Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest X-Ray Images // Sci Rep. 2020. № 10 (1). Р. 1–2.
  8. Sethy P. K., Behera S. K., Ratha P. K., Biswas P. Detection of coronavirus disease (COVID-19) based on deep features and support vector machine. 2020. April // International Journal of Mathematical Engineering and Management Sciences. doi: 10.33889/IJMEMS.2020.5.4.052
  9. Bassi P. R. A. S., Attux R. A Deep Convolutional Neural Network for COVID-19 Detection Using Chest X-Rays. URL: https://arxiv.org/abs/2005.01578 (дата обращения: 20.05.2025).
  10. Narin A., Kaya C., Pamuk Z. Automatic Detection of Coronavirus Disease (COVID- 19) Using X-ray Images and Deep Convolutional Neural Networks // Pattern Anal Appl. 2021. May 9. Р. 1–4.
  11. Ефремцев В. Г., Ефремцев Н. Г., Тетерин Е. П. [и др.]. Классификация рентгеновских изображений грудной клетки больных вирусной пневмонией и COVID-19 с помощью нейронных сетей // Компьютерная оптика. 2021. Т. 45, № 1. С. 149–153.
  12. Shelke A., Inamdar M., Shah V. [et al.]. Chest X-ray Classification Using Deep Learning for Automated COVID-19 Screening // SN Comput Sci. 2021. № 2 (4). Р. 300. URL: https://link.springer.com/article/10.1007/s42979-021-00695-5 (дата обращения: 20.05.2025).
  13. Зеленина Л. И., Хаймина Л. Э., Деменкова Е. А. [и др.]. Сверточные нейронные сети в задаче классификации медицинских изображений // Современные науко- емкие технологии. 2021. № 9. С. 68–73.
  14. Nigam B., Nigam A., Jain R. [et al.]. COVID-19: Automatic detection from X-ray images by utilizing deep learning methods // Expert Syst. Appl. 2021. № 176. Р. 114883.
  15. Щетинин Е. Ю. Обнаружение коронавирусной инфекции COVID-19 на основе анализа рентгеновских снимков грудной клетки методами глубокого обучения // Компьютерная оптика. 2022. Т. 46, № 6. С. 963–970.
  16. Basma W. A., Salman H. M. A. A Convolutional Neural Network for Detecting COVID-19 from Chest X-ray Images // Iraqi Journal of Computer Communication Control and System Engineering. 2022. № 22 (3). Р. 1–14. doi: 10.33103/uot.ijccce.22.3.1
  17. Chow L. S., Tang G. S., Solihin M. I. [et al.]. Quantitative and qualitative analysis of 18 deep convolutional neural network (CNN) models with transfer learning to diagnose COVID-19 on chest X-ray (CXR) images // SN Comput. Sci. 2023. № 4 (2). Р. 141.
  18. Md. Harun Or Rashid, Minhaz M. H., Sarker A. [et al.]. COVID-19 Detection from Chest X-Ray Images Using Convolutional Neural Network Approach // Journal of Computer and Communications. 2023. Vol. 11, № 5.
  19. Asif S., Qurrat-ul-Ain, Awais M. [et al.]. A Deep Ensemble Learning Framework for COVID-19 Detection in Chest X-ray Images // Network Modeling Analysis in Health Informatics and Bioinformatics. 2024. Vol. 13. Р. 30.
  20. Ghaderzadeh M., Farkhondeh A. Deep Learning in the Detection and Diagnosis of COVID-19 Using Radiology Modalities: A Systematic Review // Journal of Healthcare Engineering. 2021. Р. 6677314. doi: 10.1155/2021/6677314
  21. Захаренко Е. Метрики оценки качества моделей и анализ ошибок в машинном обучении. Подробное руководство. URL: https://habr.com/ru/users/egaoharu_kensei/ (дата обращения: 20.05.2025).
  22. Kaggle. URL: https://www.kaggle.com/ (дата обращения: 20.05.2025).
  23. Арзамасов К. М., Семенов С. С., Кокина Д. Ю. [и др.]. Критерии применимости компьютерного зрения для профилактических исследований на примере рентгенографии и флюорографии органов грудной клетки // Медицинская физика. 2022. № 4. С. 56–63.
  24. Свидетельство о государственной регистрации программы для ЭВМ № 2024616745. Программа для обнаружения признаков пневмонии, вызванной COVID-19, на рентгеновских снимках грудной клетки / Л. Ю. Кривоногов, И. С. Иномбоев ; опубл. 25.03.2024.

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

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).