Аннотация:
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.
Goal and objectives: to develop an effective computer vision system for detecting pathology and foreign bodies of medical and unmedical origin on plain chest radiographs. Material and methods: in order to build the model, aggregation of convolutional artificial neural networks of the InceptionV3, ResNet-50 and GlobalAveragePooling architectures was used. The outputs from all models were combined into a single vector and used as input for the boosting model, which was used as the XGBoost model. For training and testing the system, 276840 anonymized chest x-ray in a frontal view were used. Results. A number of computer vision models have been developed for the analysis of X-ray examinations of the lungs. To achieve a satisfactory balance between the prediction accuracy indicators, a decision threshold of 0.4 was chosen empirically. Such a balance makes it possible to reduce the number of false-negative model predictions and increase the number of cases where pathological changes are suspected. Conclusions. The developed model of computer vision can be considered as an effective assistant to the radiologists in the analysis of chest x-ray images, allowing them to create a list of priority images for immediate and delayed analysis and description. Жуков Е.А. «КэреМенторЭйАй»
Блинов Д.С. «КэреМенторЭйАй»
Леонтьев В.С. ГКБ им. Ф.И. Иноземцева Департамента здравоохранения Москвы
Гаврилов П.В. «КэреМенторЭйАй»
Смольникова У.А. Санкт-Петербургский НИИ фтизиопульмонологии Минздрава России
Блинова Е.В. Первый МГМУ им. И.М. Сеченова Минздрава России (Сеченовский Университет)
Камышанская И.Г. Санкт-Петербургский государственный университет
«КэреМенторЭйАй»
Care Mentor AI
ГКБ им. Ф.И. Иноземцева Департамента здравоохранения Москвы
Inozemtzev Moscow State Clinical Hospital
Санкт-Петербургский НИИ фтизиопульмонологии Минздрава России
Saint-Petersburg Research Institute of Phthisiopulmonology
Первый МГМУ им. И.М. Сеченова Минздрава России (Сеченовский Университет)
Sechenov University
Санкт-Петербургский государственный университет
Saint-Petersburg University
Zhukov E.A. Care Mentor AI
Blinov D.S. Care Mentor AI
Leontiev V.S. Inozemtzev Moscow State Clinical Hospital
Gavrilov P.V. Care Mentor AI
Smolnikova U.A. Saint-Petersburg Research Institute of Phthisiopulmonology
Blinova E.V. Sechenov University
Kamishanskaya I.G. Saint-Petersburg University
System of digital vision for X-ray lung pathology and foreign body detection eng
Система компьютерного зрения для анализа обзорных рентгенограмм органов грудной клетки: возможности искусственного интеллекта в обнаружении патологических изменений и инородных тел
Текст визуальный электронный
Врач
Russkiy Vrach Publishing House
Т. 31, № 5 С. 34-41
2020
нейронная сеть
neural network
искусственный интеллект
artificial intelligence
патология легких
lung pathology
инородное тело
foreign body
обнаружение
detection
Статья
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.
Goal and objectives: to develop an effective computer vision system for detecting pathology and foreign bodies of medical and unmedical origin on plain chest radiographs. Material and methods: in order to build the model, aggregation of convolutional artificial neural networks of the InceptionV3, ResNet-50 and GlobalAveragePooling architectures was used. The outputs from all models were combined into a single vector and used as input for the boosting model, which was used as the XGBoost model. For training and testing the system, 276840 anonymized chest x-ray in a frontal view were used. Results. A number of computer vision models have been developed for the analysis of X-ray examinations of the lungs. To achieve a satisfactory balance between the prediction accuracy indicators, a decision threshold of 0.4 was chosen empirically. Such a balance makes it possible to reduce the number of false-negative model predictions and increase the number of cases where pathological changes are suspected. Conclusions. The developed model of computer vision can be considered as an effective assistant to the radiologists in the analysis of chest x-ray images, allowing them to create a list of priority images for immediate and delayed analysis and description.