Комбинированный алгоритм определения костного возраста на основе анализа рентгенограмм кисти

Авторы

  • 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

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».

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

Библиографические ссылки

  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.

Загрузки

Дополнительные файлы

Выпуск

№ 2 (2020): Журнал Белорусского государственного университета. Математика. Информатика

Раздел

Теоретические основы информатики

Лицензия

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).

Как цитировать

[1]
Недзьведь, А.М. и др. 2020. Комбинированный алгоритм определения костного возраста на основе анализа рентгенограмм кисти. Журнал Белорусского государственного университета. Математика. Информатика. 2 (июл. 2020), 105–114. DOI:https://doi.org/10.33581/2520-6508-2020-2-105-114.