Комбинированный алгоритм определения костного возраста на основе анализа рентгенограмм кисти

  • Александр Михайлович Недзьведь Белорусский государственный университет, пр. Независимости, 4, 220030, г. Минск, Беларусь; Объединенный институт проблем информатики Национальной академии наук Беларуси, ул. Сурганова, 6, 220012, г. Минск, Беларусь https://orcid.org/0000-0001-6367-5900
  • Иван Иванович Косик Белорусский государственный медицинский университет, пр. Дзержинского, 83, 220116, г. Минск, Беларусь
  • Григорий Мушегович Карапетян Белорусский государственный медицинский университет, пр. Дзержинского, 83, 220116, г. Минск, Беларусь
DOI: https://doi.org/10.33581/2520-6508-2020-2-105-114

Аннотация

Исследуется актуальная проблема, связанная с определением костного возраста по рентгенограмме кисти. Предлагается комбинированный алгоритм распознавания рентгенограмм, основанный на совместном использовании моделей нейронных сетей Xception и DenseNet169, что позволяет обобщать знания медицинских экспертов разного профиля и повышает точность распознавания в целом.

Биографии авторов

Александр Михайлович Недзьведь, Белорусский государственный университет, пр. Независимости, 4, 220030, г. Минск, Беларусь; Объединенный институт проблем информатики Национальной академии наук Беларуси, ул. Сурганова, 6, 220012, г. Минск, Беларусь

доктор технических наук; декан факультета прикладной математики и информатики БГУ, главный научный сотрудник отдела интеллектуальных информационных систем Объединенного института проблем информатики Национальной академии наук Беларуси

Иван Иванович Косик, Белорусский государственный медицинский университет, пр. Дзержинского, 83, 220116, г. Минск, Беларусь

научный сотрудник лаборатории информационно-компьютерных технологий научно-исследовательской части

Григорий Мушегович Карапетян, Белорусский государственный медицинский университет, пр. Дзержинского, 83, 220116, г. Минск, Беларусь

заведующий лабораторией информационно-компьютерных технологий научно-исследовательской части

Литература

  1. Baykal E, Dogan H, Ercin ME, Ersoz S, Ekinci M. Transfer learning with pre-trained deep convolutional neural networks for serous cell classification. Multimedia Tools and Applications. 2020;79(21–22):15593–15611. DOI: 10.1007/s11042-019-07821-9.
  2. Deng J, Dong W, Socher R, Li L-J, Li K, Fei-Fei L. ImageNet: a large-scale hierarchical image database. In: IEEE conference on computer vision and pattern recognition; 2009 June 20–25; Miami, Florida, USA. [S. l.]: Institute of Electrical and Electronics Engineers; 2009. p. 248–255. DOI: 10.1109/CVPR.2009.5206848.
  3. Gulli A, Pal S. Deep learning with Keras: implement neural networks with Keras on Theano and TensorFlow. Birmingham: Packt Publishing; 2017. 320 p. Russian edition: Gulli A, Pal S. Biblioteka Keras – instrument glubokogo obucheniya: realizatsiya neironnykh setei s pomoshch’ yu bibliotek Theano i TensorFlow. Slinkin AA, translator. Moscow: DMK Press; 2017. 294 p.
  4. Chollet F. Xception: deep learning with depthwise separable convolutions. In: IEEE conference on computer vision and pattern recognition (CVPR); 2017 July 21–26; Honolulu, Hawaii, USA. [S. l.]: Institute of Electrical and Electronics Engineers; 2017. p. 1800–1807. DOI: 10.1109/CVPR.2017.195.
  5. Huang G, Liu Z, Van Der Maaten L, Weinberger KQ. Densely connected convolutional networks. In: IEEE conference on computer vision and pattern recognition (CVPR); 2017 July 21–26; Honolulu, Hawaii, USA. [S. l.]: Institute of Electrical and Electronics Engineers; 2017. p. 2261–2269. DOI: 10.1109/CVPR.2017.243.
  6. Khan A, Sohail A, Zahoora U, Qureshi AS. A survey of the recent architectures of deep convolutional neural networks. Artificial Intelligence Review. 2020:1–70. DOI: 10.1007/s10462-020-09825-6.
  7. Lin T-Y, Dollár P, Girshick R, He K, Hariharan B, Belongie S. Feature pyramid networks for object detection. In: IEEE conference on computer vision and pattern recognition (CVPR); 2017 July 21–26; Honolulu, Hawaii, USA. [S. l.]: Institute of Electrical and Electronics Engineers; 2017. p. 936–944. DOI: 10.1109/CVPR.2017.106.
  8. Machine learning: concepts, methodologies, tools and applications. Hershey: Information Science Reference; 2011. 2141 p. (Premier reference source).
  9. Jordan MI, Jacobs RA. Hierarchical mixtures of experts and the EM algorithm. Neural Computation. 1994;6(2):181–214. DOI: 10.1162/neco.1994.6.2.181.
  10. Wolpert DH. Stacked generalization. Neural Networks. 1992;5(2):241–259. DOI: 10.1016/S0893-6080(05)80023-1.
  11. Menahem E, Rokach L, Elovici Y. Troika – an improved stacking schema for classification tasks. Information Sciences. 2009; 179(24):4097–4122. DOI: 10.1016/j.ins.2009.08.025.
  12. Seewald AK. How to make stacking better and faster while also taking care of an unknown weakness. In: Sammut C, Hoffmann AG, editors. ICML’02. Proceedings of the 19 th International conference on machine learning. San Francisco: Morgan Kaufmann Publishers; 2002. p. 554–561.
Ключевые слова: рентгенограмма, анализ изображений, сегментация, сверточная нейронная сеть, автоматизация диагностики, костный возраст
Поддерживающие организации Работа выполнена при частичной поддержке проекта Белорусского республиканского фонда фундаментальных исследований и Российского фонда фундаментальных исследований Ф20Р-134 «Разработка и исследование дескриптивных методов анализа динамических изображений для автоматизации диагностических процедур» и проекта Государственного комитета по науке и технологиям Республики Беларусь и Министерства науки и технологий Китайской Народной Республики Ф20КИТГ-006 «Анализ движения биологических объектов на видеопоследовательностях, полученных с помощью микроскопов высокого разрешения».
Как цитировать
Недзьведь, А. М., Косик, И. И., & Карапетян, Г. М. (1). Комбинированный алгоритм определения костного возраста на основе анализа рентгенограмм кисти. Журнал Белорусского государственного университета. Математика. Информатика, 2, 105-114. https://doi.org/10.33581/2520-6508-2020-2-105-114
Выпуск
№ 2 (2020): Журнал Белорусского государственного университета. Математика. Информатика
Раздел
Теоретические основы информатики

Copyright (c) 2020 Журнал Белорусского государственного университета. Математика. Информатика

Лицензия Creative Commons

Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.

Авторы, публикующиеся в данном журнале, соглашаются со следующим:

  1. Авторы сохраняют за собой авторские права на работу и предоставляют журналу право первой публикации работы на условиях лицензии Creative Commons Attribution-NonCommercial. 4.0 International (CC BY-NC 4.0).
  2. Авторы сохраняют право заключать отдельные контрактные договоренности, касающиеся неэксклюзивного распространения версии работы в опубликованном здесь виде (например, размещение ее в институтском хранилище, публикацию в книге) со ссылкой на ее оригинальную публикацию в этом журнале.
  3. Авторы имеют право размещать их работу в интернете (например, в институтском хранилище или на персональном сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению и большему количеству ссылок на данную работу. (См. The Effect of Open Access).