Авторы

Обнаружение аномалий в электрокардиограммах методами глубокого обучения без учителя

Обнаружение аномалий является важной задачей в различных областях производства и технологий, таких как структурные изменения, вредоносные вторжения в системы управления и контроля, финансовый надзор и управление рисками, цифровой скрининг состояния здоровья и др. Все более возрастающие потоки разнообразных данных и их структурная сложность требуют разработки передовых подходов к их решению. В настоящее время методы глубокого обучения достигли значительных успехов в обнаружении аномалий. Популярными стали методы глубокого обучения на основе различных моделей автоэнкодеров. В работе исследованы методы обнаружения аномалий методами глубокого обучения без учителя на примере набора электрокардиограмм (ЭКГ), содержащих нормальные ЭКГ- сигналы и ЭКГ-сигналы людей с различными сердечно-сосудистыми заболеваниями (аномалиями). Для обнаружения аномальных электрокардиограмм разработана модель автоэнкодера в виде глубокой нейронной сети с несколькими полностью связными слоями. Также для решения поставленной задачи предложен метод подбора порога отделения аномальных ЭКГ-сигналов от нормальных, состоящий в оптимизации соотношения показателей производительности модели автоэнкодера. В работе проведен сравнительный анализ эффективности применения к решению задачи обнаружения аномальных ЭКГ-сигналов различных моделей машинного обучения, таких как одноклассовый метод опорных векторов, изолирующий лес, случайный лес и представленная модель автоэнкодера. Для этого были использованы метрики точности: точность (accuracy), чувствительность (recall), полнота (precision) и f1-score. Результаты анализа показали, что модель автоэнкодера превзошла остальные модели с показателями точности accuracy = 98,8%, precision = 95,75%, recall = 99,12%, f1-score = 98,75%. Читать дальше...

О сегментации опухолей головного мозга по МРТ-изображениям с применением методов глубокого обучения

Сегментация опухолей головного мозга – одна из наиболее сложных задач в анализе медицинских изображений. Целью сегментации опухоли головного мозга является создание точного очертания областей опухоли головного мозга. Глиомы являются наиболее распространенным видом опухолей головного мозга. Диагностика пациентов с таким заболеванием проводится на основе анализа результатов магнитно-резонансной томографии и сегментации границ опухоли вручную. Однако из-за трудоемкого характера процесса ручной сегментации и ошибок существует необходимость в быстром и надежном алгоритме автоматической сегментации. В последние годы методы глубокого обучения показали многообещающую эффективность при решении различных задач компьютерного зрения, таких как классификация изображений, обнаружение объектов и семантическая сегментация. Для сегментации опухолей головного мозга был применен ряд методов, основанных на глубоком обучении, и были достигнуты многообещающие результаты. В статье предложен гибридный метод решения задачи сегментации опухолей головного мозга по его МРТ-изображениям на основе архитектуры U-Net, кодировщиком в которой является модель глубокой сверточной нейронной сети, предварительно обученной на наборе изображений ImageNet. В числе таких моделей были использованы VGG16, VGG19, MobileNetv2, Inception, ResNet50, EfficientNetb7, InceptionResNetv2, DenseNet201, DenseNet121. На основе гибридного метода реализована модель TL-U-Net и проведены численные эксперименты по ее обучению с различными моделями кодировщиков для сегментации опухолей головного мозга по его МРТ-изображениям. Компьютерные эксперименты на наборе МРТ-изображений головного мозга показали эффективность предложенного подхода, наилучшей моделью кодировщика оказалась нейронная сеть Densenet121, предоставившая показатели точности сегментации MeanIoU=90,34%, MeanDice=94,33%, accuracy=94,17%. Полученные оценки точности сегментации сопоставимы или превышают аналогичные оценки, полученные другими исследователями. Читать дальше...

Обнаружение стеноза коронарных артерий сердца методами глубокого обучения

Ишемическая болезнь сердца – опасное заболевание сердца, причиной которого является поражение коронарных артерий. В клинической практике для диагностики коронарных заболеваний основным методом визуализации является рентгеновская коронарная ангиография. Высокая стоимость и сложность анализа ее результатов кардиохирургом сделала необходимостью автоматизацию процесса обработки изображений и диагностики стенозов коронарных артерий. В работе рассмотрены модели глубокого детектирования, локализации и определения характеристик стенозов с использованием популярных моделей SSD, R-FCN, Faster-­RCNN, RetinaNet, EfficientDet. Модели были предварительно обучены на наборе изображений COCO и варьировались по архитектуре базовой нейронной сети. На используемых данных коронарной ангиографии проведены компьютерные эксперименты по обнаружению стеноза по рентгеновским изображениям. Данные состоят из 9378 клинически полученных видеопоследовательностей в результате проведенной инвазивной коронарной ангиографии в формате DICOM и размеченных на отдельные кадры для каждой видеозаписи, содержащие стеноз коронарной артерии. Всего аннотировано 1593 последовательности изображений с разрешением (512×512) пикселей. Проведен сравнительный анализ моделей по основным показателям их производительности: средняя точность mAP, время обработки изображения, количество параметров модели. Полученные результаты позволяют утверждать, что модели Faster R-CNN (ResNet101) и EfficientDet D4 (ResNet101) являются детекторами выбора в задаче обнаружения стеноза коронарных артерий. Они обладают высокой точностью детектирования и скоростью обработки изображений, а также относительно невысокими весами параметров по сравнению с другими моделями. Сравнительный анализ их характеристик с результатами других исследователей показал превосходство или сравнимые результаты, полученные в данной работе. Читать дальше...