Система компьютерного зрения для анализа обзорных рентгенограмм органов грудной клетки: возможности искусственного интеллекта в обнаружении патологических изменений и инородных тел

DOI: https://doi.org/10.29296/25877305-2020-05-07
Скачать статью в PDF
Номер журнала: 
5
Год издания: 
2020

Е.А. Жуков(1), Д.С. Блинов(1), доктор медицинских наук, В.С. Леонтьев(2), П.В. Гаврилов(3), кандидат медицинских наук, У.А. Смольникова(3), Е.В. Блинова(4), доктор медицинских наук, профессор, И.Г. Камышанская(5), кандидат медицинских наук (1)ООО «КэреМенторЭйАй», Москва (2)Городская клиническая больница им. Ф.И. Иноземцева Департамента здравоохранения Москвы (3)Санкт-Петербургский НИИ фтизиопульмонологии Минздрава России (4)Первый МГМУ им. И.М. Сеченова Минздрава России (Сеченовский Университет) (5)Санкт-Петербургский государственный университет E-mail: d.blinov@cmai.team

Цель – разработать эффективную систему компьютерного зрения для обнаружения признаков патологии и инородных тел бытового и медицинского происхождения на обзорных рентгенограммах (РГ) органов грудной клетки (ОГК). Материал и методы. Для построения модели использовался ансамбль сверточных искусственных нейронных сетей архитектур Inception V3, ResNet-50 и Global Average Pooling. Выходы со всех моделей объединялись в один вектор и использовались как вход для модели бустинга, в качестве которой применялась XGBoost модель. Для обучения и тестирования системы использовали 276 840 обезличенных обзорных РГ ОГК в прямой проекции. Результаты. Был разработан ряд моделей компьютерного зрения для анализа рентгенологических исследований легких. Для достижения удовлетворительного баланса между показателями точности предсказания эмпирическим путем был подобран порог принятия решения, равный 0,4. Такой баланс позволяет добиться снижения числа ложноотрицательных прогнозов модели и увеличение количества случаев, где подозревается наличие патологических изменений. Выводы. Разработанная модель компьютерного зрения может рассматриваться как эффективный ассистент рентгенолога при анализе РГ-снимков ОГК, позволяющая формировать список приоритетных изображений для немедленного и отсроченного анализа и описания.
Ключевые слова: 
нейронная сеть
искусственный интеллект
патология легких
инородное тело
обнаружение
Для цитирования
Е.А. Жуков, Д.С. Блинов, В.С. Леонтьев, П.В. Гаврилов, У.А. Смольникова, Е.В. Блинова, И.Г. Камышанская Система компьютерного зрения для анализа обзорных рентгенограмм органов грудной клетки: возможности искусственного интеллекта в обнаружении патологических изменений и инородных тел . Врач, 2020; (5): 34-41 https://doi.org/10.29296/25877305-2020-05-07

It appears your Web browser is not configured to display PDF files. Download adobe Acrobat или click here to download the PDF file.

Список литературы: 
  1. Yao L., Poblenz E., Dagunts D. et al. Learning to diagnose from scratch by exploiting dependencies among labels. arXiv:1710.10501v2 [cs.CV]. 2018; 1: 1–18.
  2. Sabih D.E., Sabih A., Sabih Q. et al. Image perception and interpretation of abnormalities; can we believe our eyes? Can we do something about it? Insights Imaging. 2011; 2: 47–55. https://doi.org/10.1007/s13244-010-0048-1
  3. Makary M.A., Daniel M. Medical error: the third leading cause of death in the US. BMJ. 2016; 353: i2139. https://doi.org/10.1136/bmj.i2139
  4. Kohn L.T., Corrigan J.M., Donaldson M.S. et al. To err is human: building a safer health system. Washington, DC: National Academies Press, 2000. pp. 287. https://doi.org/10.17226/9728
  5. Busby L.P., Courtier J.L., Glastonbury C.M. Bias in radiology: the How and Why of misses and misinterpretation. Radiographics. 2018; 38: 236–47. https://doi.org/10.1148/rg.2018170107
  6. Waite S., Scott J., Gale J. et al. Interpretative error in radiology. AJR. 2017; 208: 739–49. https://doi.org/10.2214/ajr.16.16963
  7. Ropp A., Waite S., Reede D. et al. Did I miss that: subtle and commonly missed findings on chest radiographs. Curr Probl Diagn Radiol. 2015; 44: 277–89. https://doi.org/10.1067/j.cpradiol.2014.09.003
  8. Del Ciello A., Franchi D., Contegiacomo A. et al. Missed lung cancer: when, where, and why? Diagn Interv Radiol. 2017; 23 (2): 118–26. https://doi.org/10.5152/dir.2016.16187
  9. Garland L.H. On the scientific evaluation of diagnostic procedures. Radiology. 1949; 52: 309–28. https://doi.org/10.1148/52.3.30910
  10. Er O., Yumusak N., Temurtas F. Chest diseases diagnosis using artificial neural networks. Expert Sys Appl. 2010; 37 (12): 7648–55. https://doi.org/10.1016/j.eswa.2010.04.078
  11. Er O., Sertkaya C., Temurtas F. et al. A comparative study on chronic obstructive pulmonary and pneumonia diseases diagnosis using neural networks and artificial immune system. J. Med. Sys. 2009; 33 (6): 485–92. https://doi.org/10.1007/s10916-008-9209-x
  12. Khobragade S., Tiwari A., Pati C.Y. et al. Automatic detection of major lung diseases using chest radiographs and classification by feed-forward artificial neural network. Proceedings of 1st IEEE International Conference on Power Electronics. Intelligent Control and Energy Systems (ICPEICES-2016) 2016 IEEE, p. 1–5. https://doi.org/10.1109/icpeices.2016.7853683
  13. Litjens G., Kooi T., Bejnordi E.B. et al. A survey on deep learning in medical image analysis. Medical Image Analysis. 2017; 42: 60–88. https://doi.org/10.1016/j.media.2017.07.005
  14. Albarqouni S., Baur C., Achilles F. et al. Aggnet: deep learning from crowds for mitosis detection in breast cancer histology images. IEEE Transactions on Medical Imaging. 2016; 35 (5): 1313–21. https://doi.org/10.1109/tmi.2016.2528120
  15. Avendi M.R., Kheradvar A., Jafarkhani H.A. combined deep-learning and deformable-model approach to fully automatic segmentation of the left ventricle in cardiac MRI. Medical Image Analysis. 2016; 30: 108–19. https://doi.org/10.1016/j.media.2016.01.005
  16. Shin H.-C., Roberts K., Lu L. et al. Learning to read chest X-rays: recurrent neural cascade model for automated image annotation. Cornel University library. 2016. https://arxiv.org/abs/1603.08486.
  17. Wang X.S., Peng Y.F., Lu L. et al. ChestX-ray8: hospital-scale chest x-ray database and benchmarks on weakly-supervised classification and localization of common thorax diseases. In: 2017 IEEE conference on computer vision and pattern recognition (CVPR). Honolulu, HI, USA: IEEE. 2017. p. 3462–71. http://dx.doi.org/10.1109/CVPR.2017.369
  18. XGBoost Documentation,