http://doi.org/10.26347/1607-2502201909-10004-009

НЕЙРОСЕТЕВАЯ ИНТЕРПРЕТАЦИЯ РЕНТГЕНОЛОГИЧЕСКОГО ИЗОБРАЖЕНИЯ ГРУДНОЙ КЛЕТКИ: СОВРЕМЕННЫЕ ВОЗМОЖНОСТИ И ИСТОЧНИКИ ОШИБОК

Д.С. Бли­нов¹, А.Е. Ло­би­ще­ва², А.А. Вар­фо­ло­ме­е­ва¹, И.Г. Ка­мы­шанская², Е.В. Бли­нова³Информация об авторах

¹ Care Mentor AI, отдел науч­ных ис­сле­до­ва­ний и раз­ра­бо­ток, Москва, Рос­сия; ² ФГБОУ ВО «Санкт- Пе­тер­бург­ский го­су­дар­ствен­ный уни­вер­си­тет», ме­ди­цинский фа­культет, Санкт-Пе­тер­бург, Рос­сия; ³ ФГАОУ В.О. Пер­вый Московский го­су­дар­ствен­ный ме­ди­цинский уни­вер­си­тет име­ни И.М. Се­че­но­ва Ми­ни­стер­ства здра­во­охра­не­ния Рос­сий­ской Фе­де­ра­ции (Се­че­новский уни­вер­си­тет), ка­фед­ра опе­ра­тив­ной хи­рур­гии и то­по­гра­фи­че­ской ана­то­мии, Москва, Рос­сия

Цель ис­сле­до­ва­ния. Про­ана­ли­зи­ро­вать функ­ци­о­наль­ные воз­мож­но­сти раз­лич­ных ти­пов ней­рон­ных се­тей в ана­ли­зе рент­ге­но­ло­ги­че­ских изоб­ра­же­ний груд­ной клет­ки и опре­де­лить под­хо­ды к устра­не­нию ис­точ­ни­ков оши­бок се­ти. Ма­те­ри­ал и ме­то­ды. Исполь­зо­ва­лись се­ти трех ар­хи­тек­тур: ней­рон­ную сеть с обу­че­ни­ем ме­то­дом обрат­но­го рас­про­стра­не­ния ошиб­ки (BPNN), ней­рон­ную сеть, ра­бо­та­ю­щую по кон­ку­рент­но­му прин­ци­пу (CpNN) и глу­бо­кую свер­точ­ную ней­рон­ную сеть (CNN), раз­ра­бо­тан­ные спе­ци­а­ли­ста­ми Care Mentor (Рос­сия). Для обу­че­ния се­тей по 12 рент­ге­но­ло­ги­че­ским син­дро­мам и оцен­ки эф­фек­тив­но­сти ра­бо­ты при­ме­ня­ли раз­дель­ные на­бо­ры циф­ро­вых изоб­ра­же­ний рент­ге­но­грамм ор­га­нов груд­ной клет­ки в пря­мой проек­ции раз­ме­ром 32 ½ 32 пик­се­ля в фор­ма­тах JPEG или PNG, по­лу­чен­ные из откры­той ба­зы Chestx-ray8. Ис­точ­ни­ки оши­бок се­тей опре­де­ля­ли экс­перт­но-ана­ли­ти­че­ским ме­то­дом.Ре­зульта­ты. Точ­ность BPNN в рас­по­зна­ва­нии отдель­ных рент­ге­но­ло­ги­че­ских фе­но­ме­нов на уров­не 81,03% до­сти­га­лась при не­вы­со­ких за­тратах вре­ме­ни на обу­че­ние, уме­рен­ном чис­ле по­вто­ре­ний. Зна­че­ние сред­не­квад­ра­ти­че­ско­го от­кло­не­ния не пре­вы­ша­ло 0,0026. CpNN в си­лу осо­бен­но­стей ар­хи­тек­туры и само­о­бу­ча­ю­ще­го ал­го­рит­ма при ми­ни­маль­ных за­тратах вре­ме­ни на обу­че­ние поз­во­ля­ла по­вы­шать точность опре­де­ле­ния отдель­но­го рент­ге­но­ло­ги­че­ско­го син­дро­ма до 90,12%, од­на­ко ве­личи­на по­греш­но­сти бы­ла от­но­си­тель­но вы­со­кой. Испы­та­ния CNN на те­сто­вой со­во­куп­но­сти изоб­ра­же­ний по­ка­за­ли наи­луч­шие ре­зульта­ты по точно­сти рас­по­зна­ва­ния рент­ге­но­ло­ги­че­ских из­ме­не­ний и ве­личи­не по­греш­но­сти, то­гда как ре­сурсные за­тра­ты на обу­че­ние бы­ли наи­больши­ми. Ос­нов­ны­ми ис­точ­ни­ка­ми оши­бок яв­ляют­ся: ошиб­ки, обу­слов­лен­ные самой ар­хи­тек­турой ней­рон­ной се­ти и ал­го­рит­мом ее обу­че­ния; ошиб­ки, свя­зан­ные с не­кор­рект­ной раз­мет­кой обу­ча­ю­щих изоб­ра­же­ний; ошиб­ки, ассо­ци­и­ро­ван­ные с ка­че­ством ана­ли­зи­ру­е­мых изоб­ра­же­ний.За­клю­че­ние. По­вы­ше­ние точно­сти и эф­фек­тив­но­сти ме­то­дов ма­шин­но­го ана­ли­за рент­ге­но­ло­ги­че­ских изоб­ра­же­ний мо­жет быть свя­за­но с со­вер­шен­ство­ва­ни­ем ал­го­рит­мов обу­че­ния ней­рон­ных се­тей, точно­сти раз­мет­ки и ка­че­ства изоб­ра­же­ний. Для ци­ти­ро­ва­ния: Бли­нов Д.С., Ло­би­ще­ва А.Е., Вар­фо­ло­ме­е­ва А.А., Ка­мы­шанская И.Г., Бли­нова Е.В. Ней­ро­се­те­вая ин­тер­пре­та­ция рент­ге­но­ло­ги­че­ско­го изоб­ра­же­ния груд­ной клет­ки: совре­мен­ные воз­мож­но­сти и ис­точ­ни­ки оши­бок. Пробле­мы стан­дар­ти­за­ции в здра­во­охра­не­нии. 2019; 9−10: 4−9. DOI: 10.26347/1607−2502201909−10004−009
Ключевые слова: рентгенография органов грудной клетки, нейронная сеть, изображение, ошибка, интерпретация, точность

CHEST X-RAYS ANALYSIS BY NEURAL NETWORK: CONTEMPORARY ACHIEVEMENTS AND CAUSES OF MISINTERPRETATION

D.S. Blinov¹, Lobishcheva A.E.², Varfolomeeva A.A.¹, Kamishanskaya I.G.², Blinova E.V.³About authors

¹ Care Mentor AI, R&D Department, Moscow, Russia; ² Saint-Petersburg State University, Faculty of Medicine, Saint-Petersburg, Russia; ³ Sechenov First Moscow State Medical University (Sechenov University), Department of Operative Surgery and Topographic Anatomy, Moscow, Russia

Objective. To analyze the functions of various types of neural networks in chest X-rays classification as well as to analyze the sources of errors and how to eliminate them.Methods. Back propagation neural network (BPNN), competitively neural network (CpNN) and convolutional neural network (CNN) developed by Care Mentor (Russia) were used to classify X-ray images into 12 X-ray syndromes. Separate sets of digital JPEG/PNG chest X-rays with size 32 Ѕ 32 pixels obtained from Chestx-ray8 were used for training and benchmarking the networks. The causes of network errors were determined by an expert-analytical method.Results. The BPNN accuracy rate of 81.03% in recognizing radiological phenomena was achieved against low training time and a moderate number of iterations. At the same time, mean square error value did not exceed 0.0026. Due to the peculiarities of the architecture and the self-learning algorithm, CpNN, with minimal time spent on training, made it possible to increase the accuracy of determining an X-ray syndrome up to 90.12%, but the error value was relatively high. CNN showed the best results in the accuracy of recognition of radiological changes and the magnitude of the error, while the training resource costs were the greatest. The main sources of errors are: errors caused by the neural network architecture itself and its learning algorithm; errors associated with incorrect labeling of images; errors associated with the quality of the analyzed images.Interpretation. Improving the accuracy and efficiency of computerized methods for analyzing X-ray images can be associated with the improvement of neural network learning algorithms, accuracy of labeling and image quality. For citation: Blinov DS, Lobishcheva AE, Varfolomeeva AA, Kamishanskaya IG, Blinova EV. Chest x-rays analysis by neural network: contemporary achievements and causes of misinterpretation. Health Care Standardization Problems.2019; 9−10: 4−9. DOI: 10.26347/1607−2502201909−10004−009
Keywords: chest x-ray, neural network, image, error, interpretation, accuracy.