Language

Новости

НовостиГазетаИзображение

Свежий номер

01.04 ИИ в интерпретации рентгенограмм

10.03.17 Возможности компьютерных технологий в первичной интерпретации рентгенограмм грудной клетки


Согласно презентации на ECR 2017, система компьютерного обнаружения (CAD), разработанная с использованием технологий глубокого обучения (deep-learning technology), способна проводить первичный анализ рентгенограммы грудной клетки, помогая рентгенологам обнаружить наиболее вероятные нарушения.

Команда учёных из La Fe Health Research Institute, Валенсия, Испания разработали CAD систему, основанную на сверточной нейронной сети convolutional neural networks). Данный алгоритм позволяет добиться более чем 80% чувствительности и специфичности при обнаружении нарушений на снимках грудной клетки.

"Интерпретация снимков грудной клетки - непростая задача для рентгенолога. В результате нашей работы мы хотели получить скрининговый инструмент, который мог бы предварительно сортировать результаты исследований в приоритетном порядке, облегчая таким образом процесс интерпретации изображений,"-говорит в своей презентации Belén Fos-Guarinos.

В первую очередь ученые подготовили базу данных рентгеновских изображений для создания и тестирования программного обеспечения. Из собрания рентгеновских снимков легких Университета Индианы, они отобрали 2255 рентгенограмм в формате DICOM, выполненных в прямой проекции, среди которых на 868 имелись патологии, а на 1387 норма. Случаи с патологией включали: 412 изображений с затемнениями, 331 с расширением границ сердца, 293 с ателектазами, 253 с узелковыми образованиями и 144 с плевральным выпотом. Программное обеспечение создавалось на основе 1800 из 2255 случаев (80%), остальные 455 изображений использовались для тестирования системы. Затем, чтобы дифференцировать две категории (норма или патология) учёные выделили характерные особенности для каждой группы изображений, используя сверточную нейронную сеть AlexNet.

Ссылка на источник

Наконец, эти автоматически извлечённые особенности использовали для создания опорных векторов для классификации изображений. Вначале, программа определяла патология ли или норма на изображении. Далее изображения с патологией подвергались пяти дополнительным сортировкам, чтобы определить наличие затемнений, расширений границ сердца, ателектазов, узелковых образований, плевральных выпотов.