Графическая модель распознавания объекта

Для интерпретации прогноза составляют тепловые карты с использованием dass aсtivatiοn mappings (CAM) [75].

Для генерации CAM требуется загрузить снимок в полностью обученную сеть и получить результат окончательным сверточным слоем.

Пустьотображение функций,- вес в последнем слое

классификации для отображения функции k, ведущего к патологии с. Получается карта M_cнаиболее характерных признаков, используемых при классификации изображения, имеющего патологию с .

Тогда:

Таким образом, определяются наиболее важные функции, используемые моделью в ее прогнозе патологии c, путем масштабирования отображения M_cдо размеров изображения и последующим наложением изображения.

Модифицированная Dexnet локализует патологии, которые идентифициру­ются с помощью карт активации класса, которые, в свою очередь, выделяют области рентгеновского излучения, наиболее важные для классификации конкрет­ных патологий.

Однако для повышения точности разработанного алгоритма, способного диагностировать легочные заболевания, возникла идея его адаптации локализации поталогий под более современные рентгеновские снимки органов - снимки компь­ютерной томографии.

Β алгоритм ChexNet были внесены следующие изменения. После анализа и исследования новой функции активации ReLU (сокращение от англ. ^otified linear unit), которая позволяет существенно ускорить процесс обучения и одновременно с

этим значительно упростить вычисления (за счёт простоты самой функции), что означает блок линейной ректификации, вычисляющий функцию f (х) = max(0, х) .

По состоянию на 2017 год эта функция и её модификации (Noisy ReLU, Leaky ReLU и другие) являются наиболее часто используемой функцией активации в глубоких нейросетях, в частности свёрточных.

Таким образом, модифицированный алгоритм был протестирован на снимках компьютерного томографа легочных долей человека. Обучение производилось на обработанных изображениях разрешением 224?224 пикселей. Объем выборки, на основе которой производилось обучение, составил 15000 изображений от 50 пациентов. Для обучения нейронной сети использовался метод обратного распространения ошибки, который заключался в повороте ядра на 180 градусов и процессе сканирования сверточной карты дельт таким образом, чтобы окно сканирования выходило за пределы изображения. Β процессе исследования было установлено, что увеличения количества нейронов в скрытом слое значительно увеличивает число итераций, которые требуются для обучения искусственной нейронной сети. При этом получается незначительное улучшение результатов работы алгоритма.

Β результате работы нейронной сети получается обработанное изображение компьютерного томографа, на которое нанесена тепловая карта с зеле- ными/желтыми/красными оттенками, указывающими на положительный прогноз заболевания и синими/фиолетовыми - если заболевание на рассматриваемом участке снимка КТ не обнаружено. Таким образом, алгоритм позволяет осуществ­лять оперативный анализ данных КТ легких и предполагает определение количе­ственной оценки вероятности возможности легочного заболевания. Примеры ре­зультатов работы алгоритма представлены на рисунке 3.12

Рисунок 3.12 - Исходный снимок ΚΤ легкого и результат его обработки сверточной нейронной сетью

Для проверки и тестирования предложенного алгоритма была использована база изображений одного из медицинских учреждений Воронежа.

Примененная база включает в себя изображения ΚΤ с различными видами образований: пневмонии, туберкулезы, туберкулемы, абсцессы, эмфиземы, саркоидозы, рак (центральный и периферический), метастазы.

На выборке из 50 изображений ΚΤ алгоритм в 95% случаев безошибочно определяет заболевание и обнаруживает сами образования на снимке.

На оставшиеся 5% в основном приходятся случаи, когда части бронх или большие сосуды ошибочно принимаются за образования.

Образования, относящиеся к диафрагме, грудной клетке или средостению достаточно сложно контуризовать.

Данная проблема возникает в виду того, что классификация производится для каждого из контуров индивидуально. Поэтому рассмотрение не только отдельных контуров, но и их совокупности значительно повысит эффективность предложенного метода. В дальнейшем значительным улучшением станет анализ

межкадровых изменений легочного рисунка. В настоящее время данный анализ производится врачами-рентгенологами при описании исследуемого изображения компьютерного томографа.