ФЛЮОРОГРАФИЯЛЫҚ КЕСКІНДЕР АРҚЫЛЫ ӨКПЕ АУРУЛАРЫН АЛДЫН АЛА ДИАГНОСТИКАЛАУ ҮШІН МАШИНАЛЫҚ ОҚЫТУ ӘДІСТЕРІН ЗЕРТТЕУ ЖӘНЕ ҚОЛДАНУ
Article Sidebar
Main Article Content
Аңдатпа
Мақалада кеуде мүшелерінің флюорографиялық және рентгендік бейнелері бойынша өкпе ауруларын алдын ала диагностикалау үшін машиналық оқыту әдістерін қолдану қарастырылады. Жұмыстың өзектілігі жаппай профилактикалық тексерулер мен денсаулық сақтау жүйесінің шектеулі ресурстарында патологияны анықтаудың дәлдігі мен жеделдігін арттыру қажеттілігімен байланысты. Зерттеудің мақсаты флюорографиялық кескіндерді "норма" және "патология" сыныптары бойынша автоматты түрде жіктеудің бірнеше модельдерін әзірлеу және салыстырмалы талдау болып табылады. Әдістемелік негіз-магистранттың ғылыми-зерттеу жұмысының теориялық бөлімінде зерттелген Алгоритмдер, оның ішінде классикалық сызықтық модельдер мен заманауи нейрондық архитектуралар. Зерттеу барысында үш модель жүзеге асырылды және оқытылды: жеңілдетілген белгілердегі логистикалық регрессияның классикалық моделі, таяз тереңдіктегі конволюциялық нейрондық желі және алдын ала дайындалған архитектураға негізделген оқытуды тасымалдау моделі. Флюорографиялық деректерді алдын ала өңдеу және ұлғайту жүргізілді, оқыту, валидациялық және тесттік іріктемелерге бөлу ұйымдастырылды, жіктеу сапасының стандартты көрсеткіштері бойынша оқыту және бағалау рәсімі іске асырылды. Қарапайым конволюциялық желі классикалық модельге қарағанда сапаның айтарлықтай жақсарғанын көрсетеді және оқытуды тасымалдауды пайдалану нәтижелердің дәлдігі мен тұрақтылығының одан әрі артуын қамтамасыз етеді. Алдын ала скринингтік тапсырмалар үшін терең оқыту әдістерін қолданудың орындылығы туралы қорытындылар жасалды және жүйенің даму перспективалары белгіленді [2,3,5].
Article Details
##submission.citations##
Bishop C. M. Pattern Recognition and Machine Learning. Springer, 2006.
Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press, 2016.
Litjens G. et al. A survey on deep learning in medical image analysis. Medical Image Analysis, 2017, 42, 60–88.
Rajpurkar P. et al. CheXNet: Radiologist-level pneumonia detection on chest X-rays with deep learning. arXiv preprint arXiv:1711.05225, 2017.
Tan M., Le Q. V. EfficientNet: Rethinking model scaling for convolutional neural networks. arXiv preprint arXiv:1905.11946, 2019.
Selvaraju R. R. et al. Grad-CAM: Visual explanations from deep networks via gradient-based localization. Proceedings of the IEEE International Conference on Computer Vision, 2017, 618–626.
Лимановская О. В. Основы машинного обучения. Учебное пособие. Екатеринбург, Уральский федеральный университет, 2020.
Lundervold A. S., Lundervold A. Medical image analysis using convolutional neural networks: A review. Neural Networks, 2019, 115, 11–29.