Construction of an algorithm for detecting pneumonia on a chest radiograph

Abstract

В ходе работы были получены следующие результаты: Проведено изучение предметной области, анализ существующих решений поставленной задачи и рассмотрены технические возможности для их реализации. В результате было принято решение использовать комбинированный алгоритм, первой частью которого является классификация имеющихся данных, а второй — детекция пневмонии с помощью сегментационной свёрточной сети. Для подготовки данных было рассмотрено три метода предобработки медицинских изображений. Было проанализировано влияние всех трёх методов на верность предсказания классификационных моделей. Лучшие результаты получены при предобработке с помощью метода усиления локального контраста. Разработана архитектура системы, позволяющая эффективно осуществлять детекцию пневмонии на снимках и вместе с этим сравнить эффективность двух разных подходов к её решению. Принято решение сравнить детекцию поражённых областей с предварительной классификацией изображений и без предварительной классификации. Опытным путём были подобраны гиперпараметры, позволяющие получить максимально высокие показатели точности предсказаний обученной модели на тестовых выборках. Произведен анализ полученных результатов, следуя которому можно сделать выводы о том, что детекция с предварительной классификацией снимков получает намного более точные результаты.

n the course of the work, the following results were obtained: A study of the subject area was conducted. An analysis of existing solutions to the task was carried out. The technical possibilities for their implementation were considered. As a result, it was decided to use a combined algorithm. The first part of the algorithm is the classification of available data, and the second is the detection of pneumonia using a segmentation convolutional network. To prepare the data, three methods of medical image preprocessing were studied. The analysis of the influence of all three methods on the accuracy of the prediction of classification models is carried out. The best results were obtained with preprocessing using the local contrast enhancement method. A system architecture has been developed that allows effective detection of pneumonia in the images. It was decided to compare the detection of affected areas with preliminary classification of images and without preliminary classification. During the experiment, hyperparameters were selected that allowed us to obtain the highest possible accuracy indicators for the predictions of the trained model in test samples. An analysis of the obtained results is carried out, following which we can conclude that detection with preliminary classification of images receives much more accurate results.