Шаблон постера_Информационные технологии и математика. Исследование алгоритмов распознавания патологий на эндоскопических видеоизображениях с использованием методов искусственного интеллекта

• Название: Исследование алгоритмов распознавания патологий на эндоскопических видеоизображениях с использованием методов искусственного интеллекта
• Дата: 13.11.2022
• Размер: 1.93 Mb.
• Имя файла: Шаблон постера_Информационные технологии и математика.pptx
• Тип: Исследование; #786472

Ключевые слова: Эндоскопия, колоноскопия, глубокое обучение, сверточные нейронные сети, цифровая обработка сигналов, распознавание и детектирование объектов Keywords: Endoscopy, colonoscopy, deep learning, convolutional neural networks, digital signal processing, object recognition and detection
Исследование алгоритмов распознавания патологий на эндоскопических видеоизображениях с использованием методов искусственного интеллекта

Андержанова Анастасия Сергеевна

Студент

ЯрГУ им. П.Г. Демидова

[phone]

[e-mail]

Автор

Актуальность исследования

Актуальной научно-технической задачей является применение методов цифровой обработки изображений и машинного обучения для создания автоматизированных систем поддержки принятия врачебного решения при проведении колоноскопии или верификации результатов после процедуры. Внедрение подобных систем в клиническую практику позволит повысить точность диагностики, уменьшить влияние человеческого фактора на качество исследований, снизить стоимость и временные затраты на их проведение.

Научная новизна

Проект направлен на разработку уникальных нейросетевых алгоритмов, которые позволяют распознавать патологии на эндоскопических видеоизображениях в режиме реального времени.

Цель и задачи исследования

Целью исследования является создание алгоритма детектирования патологий на эндоскопических изображениях кишечника.

Для достижения поставленной цели выполнены следующие научно-технические задачи:

• Создание базы эндоскопических изображений.
• Разработка, анализ и исследование алгоритма детектирования патологий на эндоскопических видеоизображениях.
• Обучение и тестирование алгоритма.
• Проведение исследования по оценке качества алгоритма.

Результаты исследования

1.1 Формирование базы эндоскопических данных

В рамках исследовательской работы собрана оригинальная база из 3629 эндоскопических изображений толстого кишечника, предоставленные Ярославской областной онкологической больницей. База данных содержала 1670 примеров с «выпуклым» полипом, 1161 снимков с «плоским» полипом и 798 кадров класса «норма» (рис. 1).

1.2 Разработка алгоритма детектирования патологий на эндоскопических видеоизображениях

Для построения алгоритма распознавания патологий на эндоскопических изображениях была выбрана модель SSD. В качестве базовых сетей использовались архитектуры: VGG16, MobileNetV1, MobileNetV2 – предобученные на наборе данных Kvasir Dataset.

Качество работы алгоритмов оценивалось с помощью значений функции потерь, а также долей правильных ответов (А) классификации (рис. 3):

,

где P – количество изображений, по которым классификатор принял верное решение; N – размер выборки.

Кроме того, в данной работе использовались следующие метрики:

• Precision (P) (точность):

Р

где TP - истинно-положительные решения модели, FP – ложно-положительные ответы, FN – ложно-отрицательные решения.

• Recall (R) (полнота или чувствительность):

R

• F1 мера:

F1-мера .

Согласно результатам в табл. 1, наилучшие результаты были показаны алгоритмом SSD на основе VGG16, предобученной на Kvasir Dataset (F1 = 81.53).

Таблица 3

Результаты тестирования разработанных алгоритмов

Рис. 1. Примеры эндоскопических полипов

а) нормальная слизистая

б) «выпуклый» полип

в) «плоский» полип

a)	b)
Графики функции потерь для базовых сетей: a) VGG16; b) MobileNetV1
c)	d)
Графики изменения доли правильных ответов для базовых сетей: c) VGG16; d) MobileNetV1 Рис. 3. Оценка качества работы алгоритмов

Базовая сеть	Предобучение	F1	P	R
SSD+VGG16	Kvasir Dataset	81,53	87,36	76,44
SSD+MobileNetV1		55,57	61,78	50,48