APPLICATION OF MACHINE LEARNING TECHNOLOGIES IN DIAGNOSIS BASED ON X-RAY IMAGES

Abstract

Проблема диагностики заболеваний стоит достаточно остро, особенно в удаленных от областных и районных центров населённых пунктах, где часто наблюдается недостаток специалистов и диагностические информационные системы во многом способны решить данную проблему. В настоящее время реализуется разработка информационной системы для ветеринарии, одним из модулей которой будет интеллектуальный модуль для распознавания рентген снимков. Цель статьи заключается в создании и обучении искусственной сверточной нейронной сети для распознавания рентген-снимков на основе общедоступного датасета со снимками пневмонии. Было разработано по 3 модели нейросети, две из которых - предобученные нейросет MobileNetv2 и ResNet50v2 фреймворка Tensorflow, а третья нейросеть обладает собственной архитектурой, состоящей из 9 слоев, подобранной в рамках исследования. Нейросети предназначены для решения двух задач бинарной классификации: болен или здоров пациент и определение природы пневмонии (вирусная или бактериальная). Также были рассмотрены два метода улучшения нейросетей (предобрабка изображений путем увеличения контраста и ансамблирование) и их влияние на эффективность. В конечном итоге в процессе тестирования и сравнения качества работы нейросетей при различных параметрах были выявлены наилучшие комбинации этих параметров и методов улучшения на основе результатов основных метрик оценки качества нейросетей. Таким образом было обнаружено, что модель с предобученной нейросетью MobileNetv2 даёт наилучший результат в обеих задачах бинарной классификации, по сравнению с остальными моделями. Также было выявлено, что предварительная обработка изображений методом увеличения контраста и ансамблирование дало улучшение результата только для нейросети с собственной архитектурой из 9 слоев. Для предобученных нейросетей MobileNetv2 и ResNet50v2 данные методы не дали никакого улучшения. В заключении был намечен дальнейший вектор по направлению увеличения эффективности работы созданных моделей. The problem of diagnostics in both public health and veterinary medicine is quite acute, especially in settlements remote from regional and district centers, where there is often a lack of specialists and diagnostic information systems are largely able to solve this problem, being a consulting tool for specialists working in villages and small towns. Currently, an expert system based on a web application for veterinary medicine is being developed, one of the modules of which will be an intelligent module for recognizing x-ray images. The purpose of the article is to create and train an artificial convolutional neural network for recognizing x-ray images based on a publicly available dataset with pneumonia images. The optimal neural network architecture consisting of 7 layers was created, and the dataset with images was preprocessed to obtain the best result. The model was trained on a set of 3897 x-rays, validated and tested on separate sets of 1299 and 607 x-rays, respectively. Ultimately, in the process of testing and comparing the quality of the neural network with various parameters, the best combinations of these parameters and improvement methods were identified based on the results of the main metrics for assessing the quality of neural networks. Thus, it was found that the model with pre-processing of images by the contrast enhancement method and an ensemble of 3 models gives the best result in the task of binary classification of sick and healthy patients according to their X-ray images. For the second task of binary classification of the nature of pneumonia (viral or bacterial), the best results were achieved using an ensemble model of 2 neural networks without pre-processing of X-ray images. In conclusion, a further vector was outlined in the direction of increasing the efficiency of the created model, in particular, options were proposed for using manual data preprocessing, augmenting them to reduce the risk of retraining the model, as well as connecting several neural networks into one model to solve the problem of multiclass classification.