Особливості побудови рішень генетичного алгоритму в задачі розпізнавання образів захворювання пневмонії
DOI:
https://doi.org/10.35681/1560-9189.2020.22.3.218978Ключові слова:
генетичний алгоритм, еволюційний алгоритм, рентгенограма, розпізнавання зображень, neural network, long short — term memoryАнотація
Розглянуто проблеми та методи машинної класифікації і розпізнавання зображень у вигляді рентгенограм, а також питання удосконалення штучних нейронних мереж, які використовуються для підвищення якості та точності виявлення аномальних структур на рентгенограмах грудної клітини. Розроблено модифікований генетичний метод оптимізації параметрів моделі на основі згорткової нейронної мережі для вирішення завдання розпізнавання діагностично значущих ознак пневмонії на рентгенівському знімку легень. Принципова відмінність запропонованого генетичного методу від існуючих аналогів полягає у використанні спеціального оператора мутації у вигляді адитивної згортки двох операторів мутації, який дозволяє скоротити час навчання нейронної мережі, а також виділити найбільш придатні для вивчення «околиці рішень». Наведено порівняльну оцінку ефективності запропонованого методу та відомих способів, яка показала поліпшення точності при вирішенні задачі пошуку ознак патології на рентгенівському знімку легень. Практичне використання розробленого методу дозволить знизити трудомісткість, підвищити достовірність пошуку, прискорити процес діагностики захворювань і знизити частину помилок і повторних обстежень пацієнтів.
Посилання
Verma D., Bose C., Tufchi N., Pant K., Tripathi V., Thapliyal A. An efficient framework for identification of Tuberculosis and Pneumonia in chest X-ray images using Neural Network. Procedia Computer Science. 2020. Vol. 171. P. 217–224. doi: 10.1016/j.procs.2020.04.023.
Abiyev R., Ma’aitah M. Deep Convolutional Neural Networks for Chest Diseases Detection. Journal of Healthcare Engineering. 2018. Vol. 2018. P. 1–11. doi: 10.1155/2018/4168538
Pattrapisetwong P., Chiracharit W. Automatic lung segmentation in chest radi.ographs using shadow filter and multilevel thresholding. 2016 International Computer Science and Engineering Conference (ICSEC). 2016. doi: 10.1109/icsec.2016.7859887.
Liu Y., Wang H., Gu Y., Lv X. Image classification toward lung cancer recognition by learning deep quality model. Journal of Visual Communication and Image Representation. 2019. Vol. 63. P. 102570. doi: 10.1016/j.jvcir.2019.06.012.
Allaouzi I., Ben Ahmed M. A Novel Approach for Multi-Label Chest X-Ray Classification of Common Thorax Diseases. IEEE Access. 2019. Vol. 7. P. 64279–64288. doi: 10.1109/access.2019. 2916849.
Sweetlin J., Nehemiah H., Kannan A. Feature selection using ant colony optimization with tandem-run recruitment to diagnose bronchitis from CT scan images. Computer Methods and Programs in Biomedicine. 2017. Vol. 145. P. 115–125. doi: 10.1016/j.cmpb.2017.04.009.
Kasinathan G., Jayakumar S., Gandomi A., Ramachandran M., Fong S., Patan R. Automated 3-D lung tumor detection and classification by an active contour model and CNN classifier. Expert Systems with Applications. 2019. Vol. 134. P. 112–119. doi: 10.1016/j.eswa.2019.05.041.
Bharodiya A., Gonsai A. An improved edge detection algorithm for X-Ray images based on the statistical range. Heliyon. 2019. 5(10). P. e02743. doi: 10.1016/j.heliyon.2019.e02743.
Qin Y., Yu Z., Wang C., Gu Z., Li Y. A Novel clustering method based on hybrid K-nearest-neighbor graph. Pattern Recognition. 2018. Vol. 74. P. 1–14. doi: 10.1016/j.patcog.2017.09.008.
Sivaramakrishnan R.et all. Comparing deep learning models for population screening using chest radiography. Medical Imaging 2018: Computer-Aided Diagnosis. 2018. doi: 10.1117/12.2293140.
Uyar K., Ilhan A. Diagnosis of heart disease using genetic algorithm based trained recurrent fuzzy neural networks. Procedia Computer Science. 2017. Vol. 120. P. 588–593. doi: 10.1016/j.procs. 2017.11.283.
Ogul H., Ogul B., Ag?ldere A., Bayrak T., Sumer E. Eliminating rib shadows in chest radiographic images providing diagnostic assistance. Computer Methods and Programs in Biomedicine. 2016. Vol. 127. P. 174–184. doi: 10.1016/j.cmpb.2015.12.006.
Candemir S., Antani S. A review on lung boundary detection in chest X-rays. International Journal of Computer Assisted Radiology and Surgery. 2019. 14(4). P. 563–576. doi: 10.1007/s11548-019-01917-1.
Ke Q. et all. A neuro-heuristic approach for recognition of lung diseases from X-ray images. Expert Systems with Applications. 2019. Vol. 126. P. 218–232. Doi: 10.1016/j.eswa.2019.01.060.
Ambrosini P., Smal I., Ruijters D., Niessen W., Moelker A., Walsum T. 3D Catheter Tip Tracking in 2D X-Ray Image Sequences Using a Hidden Markov Model and 3D Rotational Angiography. Augmented Environments for Computer-Assisted Interventions. 2015. P. 38–49. doi: 10.1007/978-3-319-24601-7_5.
Li X. et all. Multi-resolution convolutional networks for chest X-ray radiograph based lung nodule detection. Artificial Intelligence in Medicine. 2020. Vol. 103. P. 101744. doi: 10.1016/j.artmed. 2019.101744.
Angela C., Carolina W., Carlos C. Medical Image Segmentation Using the Kohonen Neural Network. IEEE Latin America Transactions. 2019. Vol. 17. P. 297-304. doi: 10.1109/tla.2019.8863176.
Souza J., Bandeira Diniz J., Ferreira J., Franca da Silva G., Correa Silva A., de Paiva A. An automatic method for lung segmentation and reconstruction in chest X-ray using deep neural networks. Computer Methods and Programs in Biomedicine. 2019. Vol. 177. P. 285–296. doi: 10.1016/j. cmpb.2019.06.005.
Sirazitdinov I., Kholiavchenko M., Mustafaev T., Yixuan Y., Kuleev R., Ibragimov B. Deep neural network ensemble for pneumonia localization from a large-scale chest x-ray database. Computers & Electrical Engineering. 2019. Vol. 78. P. 388–399. doi: 10.1016/j.compeleceng.2019.08.004.
Jain R., Nagrath P., Kataria G., Sirish Kaushik V., Jude Hemanth D. Pneumonia detection in chest X-ray images using convolutional neural networks and transfer learning. Measurement. 2020. Vol. 165. P. 108046. doi: 10.1016/j.measurement.2020.108046.
Oliinyk A., Fedorchenko I., Stepanenko A., Rud M., Goncharenko D. Evolutionary method for solving the traveling salesman problem. 2018 5th International Scientific-Practical Conference (PICST). 2018. P. 331–339. DOI: https://doi.org/10.1109/INFOCOMMST.2018.8632033.
Oliinyk A., Fedorchenko I., Zaiko T., Goncharenko D., Stepanenko A., Kharchenko A. Development of genetic methods of network pharmacy financial indicators optimization. 2019 IEEE International Scientific-Practical Conference: Problems of Infocommunications Science and Technology. 2018. P. 607–612. DOI: https://doi.org/ 10.1109/PICST47496.2019.9061396.
Oliinyk A., Fedorchenko I., Stepanenko A., Rud M., Goncharenko D. Combinatorial optimization problems solving based on evolutionary approach. 2019. 15th International Conference on the Experience of Designing and Application of CAD Systems (CADSM). 2019. P. 41–45. DOI: 10.1109 / CADSM.2019.8779290.
Fedorchenko I., Oliinyk A., Stepanenko О., Zaiko T., Svyrydenko A., Goncharenko D. Genetic method of image processing for motor vehicle recognition. 2nd International Workshop on Computer Modeling and Intelligent Systems, CMIS 2019. 2019. Vol. 2353. P. 211–226. ISSN: 16130073
Imaging using X-rays. URL: https://www.medicalradiation.com/types-of-medical-imaging/imaging-using-x-rays/
Oliinyk A., Fedorchenko I., Stepanenko A., Katschan A., Fedorchenko Y., Kharchenko A., Goncharenko D. Development of genetic methods for predicting the incidence of volumes of pollutant emissions in air. 2nd International Workshop on Informatics and Data-Driven Medicine. 2019. P. 340–353. ISSN: 16130073.
Fedorchenko I., Oliinyk A., Stepanenko A., Zaiko T., Shylo S., Svyrydenko A. Development of the modified methods to train a neural network to solve the task on recognition of road users. Eastern European Journal of Enterprise Technologies. 2019. 9(98). P. 46–55. DOI: 10.15587/1729-4061.2019. 164789.
Fedorchenko I., Oliinyk A., Stepanenko A., Zaiko T., Korniienko S., Burtsev N. Development of a genetic algorithm for placing power supply sources in a distributed electric network. Eastern European Journal of Enterprise Technologies. 2019. 5/3(101). P. 6–16. doi: 10.15587/1729-4061.2019.180897.
Fedorchenko I., Oliinyk A., Stepanenko A., Zaiko T., Korniienko S., Kharchenko A. Construction of a genetic method to forecast the population health indicators based on neural network models. Eastern-European Journal of Enterprise Technologies. 2020. 1(4103). P. 52–63. DOI: 10.15587/ 1729-4061.2020.197319.
S.K. L., Mohanty S., K. S., N. A., Ramirez G. Optimal deep learning model for classification of lung cancer on CT images. Future Generation Computer Systems. 2019. Vol. 92. P. 374–382. doi: 10.1016/j.future.2018.10.009.
Gupta N., Gupta D., Khanna A., Reboucas Filho P., de Albuquerque V. Evolutionary algorithms for automatic lung disease detection. Measurement. 2019. Vol. 140. P. 590–608. doi: 10.1016/ j.measurement.2019.02.042.
Shakeel P., Burhanuddin M., Desa M. Lung cancer detection from CT image using improved profuse clustering and deep learning instantaneously trained neural networks. Measurement. 2019. Vol. 145. P. 702–712. doi: 10.1016/j.measurement.2019.05.027
Qin C., Yao D., Shi Y., Song Z. Computer-aided detection in chest radiography based on artificial intelligence: a survey. BioMedical Engineering OnLine. 2018. 17(1). doi: 10.1186/s12938-018-0544-y.
Zeng Z., Liang N., Yang X., Ho, S. Multi-target deep neural networks: Theoretical analysis and implementation. Neurocomputing. 2018. Vol. 273. P. 634–642. doi: 10.1016/j.neucom.2017.08.044.
