(45-1) 17 * << * >> * Русский * English * Содержание * Все выпуски

Классификация рентгеновских изображений грудной клетки больных вирусной пневмонией и COVID-19 с помощью нейронных сетей
В.Г. Ефремцев 1, Н.Г. Ефремцев 1, Е.П. Тетерин 2, П.Е. Тетерин 3, Е.С.  Базавлук 1

1 Независимый исследователь,

2 Ковровская государственная технологическая академия им. В.А. Дегтярева,
Россия, Владимирская обл., г. Ковров,

3 Национальный исследовательский ядерный университет «МИФИ», 115409, Россия, г. Москва

 PDF, 981 kB

DOI: 10.18287/2412-6179-CO-765

Страницы: 149-153.

Аннотация:
В статье рассматривается применение нейронных сетей для классификации рентгенографических изображений больных пневмонией и COVID-19. Для выбора наилучших параметров изменения размеров и адаптивного выравнивания гистограммы яркости изображений, а также оптимальной архитектуры нейронной сети и ее гиперпараметров использовались precision, recall и f1-score. Высокие значения этих метрик качества классификации (> 0,91) убедительно свидетельствуют о надежном разграничении рентгенографических изображений больных пневмонией от больных COVID-19. Это открывает возможность создания модели c хорошей предсказательной способностью без привлечения готовых сложных моделей и без предварительного обучения на сторонних данных. Полученные результаты дают хорошие перспективы разработки чувствительных и надежных экспресс-методов диагностики заболевания COVID-19.

Ключевые слова:
обработка рентгенографических изображений, сверточная нейронная сеть, классификация, COVID-19.

Благодарности
Работа выполнена при поддержке программы «Повышение конкурентоспособности ведущих университетов РФ» (проект 5-100), контракт №02.a 03.21.0005, 27.08.2013.

Цитирование:
Ефремцев, В.Г. Классификация рентгеновских изображений грудной клетки больных вирусной пневмонией и COVID-19 с помощью нейронных сетей / В.Г. Ефремцев, Н.Г. Ефремцев, Е.П. Тетерин, П.Е. Тетерин, Е.С. Базавлук // Компьютерная оптика. – 2021. – Т. 45, № 1. – С. 149-153. – DOI: 10.18287/2412-6179-CO-765.

Citation:
Efremtsev VG, Efremtsev NG, Teterin EP, Teterin PE, Bazavluk ES. Chest x-ray image classification for viral pneumonia and Сovid-19 using neural networks. Computer Optics 2021; 45(1): 149-153. DOI:10.18287/2412-6179-CO-765.

Литература:
  1. Wu, F. A new coronavirus associated with human respiratory disease in China / F. Wu, S. Zhao, B. Yu [et al.] // Nature. – 2020. – Vol. 579, Issue 7798. – P. 265-269.
  2. World Health Organization. Pneumonia of unknown cause – China [Electronical Resource] – 2020. – URL: https://www.who.int/csr/don/05-january-2020-pneumonia-of-unkown-cause-china/en/ (request data 2.11.2020).
  3. Веселова, Е.И. Новая коронавирусная инфекция / Е.И. Веселова, А.Е. Русских, Г.Д. Каминский, О.В. Ловачева, А.Г. Самойлова, И.А. Васильева // Туберкулёз и болезни лёгких. – 2020. – Т. 98, № 4. – С. 6-14. – DOI: 10.21292/2075-1230-2020-98-4-6-14.
  4. Пашина, Т.А. Сравнение алгоритмов выделения области интереса на компьютерных томограммах лёгких / Т.А. Пашина, А.В. Гайдель, П.М. Зельтер, А.В. Капиш­ников, А.В. Никоноров // Компьютерная оптика. – 2020. – Т. 44, № 1. – С. 74-81. – DOI: 10.18287/2412-6179-CO-659.
  5. Li, L. Using artificial intelligence to detect COVID-19 and community-acquired pneumonia based on pulmonary CT: Evaluation of the diagnostic accuracy / L. Li [et al.] // Radiology. – 2020. – Vol. 296, Issue 2. – P. E65-E71. – DOI: 10.1148/radiol.2020200905.
  6. Nath, M. Automatic detection of pneumonia from chest X-Rays using deep learning / M. Nath, C. Choudhury. – In: Machine learning, image processing, network security and data sciences / ed. by A. Bhattacharjee, S. Borgohain, B. Soni, G. Verma, X.-Z. Gao. – Singapore: Springer, 2020. – P. 175-182. – DOI: 10.1007/978-981-15-6315-7_14.
  7. Okeke, S. An efficient deep learning approach to pneumonia classification in healthcare / S. Okeke [et al.] // Journal of Healthcare Engineering. – 2019. – Vol. 2019. – 4180949. – DOI: 10.1155/2019/4180949.
  8. Swapnarekha, H. Role of intelligent computing in COVID-19 prognosis: A state-of-the-art review / H. Swapnarekha [et al.] // Chaos, Solitons & Fractals. – 2020. – Vol. 138. – 109947. – DOI: 10.1016/j.chaos.2020.109947.
  9. Wang, L. COVID-Net: A tailored deep convolutional neural network design for detection of COVID-19 cases from chest X-Ray images [Electronical Resource] / L. Wang, A. Wong // arXiv preprint. ‑ 2020. ‑ URL: https://arxiv.org/abs/2003.09871 (request data 2.11.2020).
  10. Ozturk, T. Automated detection of COVID-19 cases using deep neural networks with X-ray images / T. Ozturk [et al.] // Computers in Biology and Medicine. – 2020. – Vol. 121. – 103792. – DOI: 10.1016/j.compbiomed.2020.103792.
  11. Loey, M. Within the lack of chest COVID-19 X-Ray dataset: A novel detection model based on GAN and deep transfer learning / M. Loey, F. Smarandache, N.E.M. Khalifa // Symmetry. – 2020. – Vol. 12. – 651. – DOI: 10.3390/sym12040651.
  12. Das, D. Truncated inception net: COVID-19 outbreak screening using chest X-Rays / D. Das, K.C. Santosh, U. Pal // Physical and Engineering Sciences in Medicine. – 2020. ‑ Vol. 43, Issue 3. ‑ P. 915-925. – DOI: 10.1007/s13246-020-00888-x.
  13. Apostolopoulos, I.D. COVID-19: automatic detection from X-Ray images utilizing transfer learning with convolutional neural networks / I.D. Apostolopoulos, T.A. Mpesiana // Physical and Engineering Sciences in Medicine. – 2020. – Vol. 43, Issue 2. – P. 635-640. – DOI: 10.1007/s13246-020-00865-4.
  14. Tuncer, T. An automated residual exemplar local binary pattern and iterative relieff based COVID-19 detection method using chest X-Ray image / T. Tuncer, S. Dogan, F. Ozyurt // Chemometrics and Intelligent Laboratory Systems. – 2020. – Vol. 203. – 104054. – DOI: 10.1016/j.chemolab.2020.104054.
  15. CoronaHack -Chest X-Ray-Dataset. Classify the X-Ray image which is having Corona [Electronical Resource]. – 2020. – URL: https://www.kaggle.com/praveengovi/ coronahack-chest-xraydataset (request data 2.11.2020).
  16. Гонсалес, Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс. – Москва: Техносфера, 2005. – 1072 с.
  17. Шолле, Ф. Глубокое обучение на Python. – СПб.: Питер, 2018.
  18. Мюллер, А. Введение в машинное обучение с помощью Python / А. Мюллер, С. Гвидо. – М.: Вильямс, 2016.
  19. Жерон, О. Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow: концепции, инструменты и техники для создания интеллектуальных систем / О. Жерон; пер. с англ. – СпБ.: ООО "Альфа-книга", 2018.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru ; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20