Дослідження та розробка методів автоматичної класифікації рентгенівських зображень для виявлення пневмонії

Abstract

Кваліфікаційна робота присвячена розробці та дослідженню методів комп'ютерного зору для автоматизованої діагностики захворювань легень за двовимірними рентгенівськими знімками. В процесі роботи проаналізовано масив даних COVID-19 Radiography Database (понад 21 тис. зображень). Виявлено проблему структурного міжкласового дисбалансу, для вирішення якої математично обґрунтовано використання макро-усередненої метрики повноти (Macro-Recall) та зваженої функції втрат багатокласової перехресної ентропії. Проведено порівняльний експериментальний аналіз базової згорткової нейронної мережі (CNN) та моделі на основі глибокої архітектури ResNet50 із застосуванням парадигми перенесення навчання. Для подолання проблеми «чорного ящика» успішно імплементовано алгоритм просторової локалізації Grad-CAM. Аналіз отриманих теплових карт підтвердив, що розроблена нейромережева система приймає рішення на основі релевантних просторових клінічних маркерів (вогнищ консолідації та зон «матового скла»). Одержані результати доводять високу предиктивну здатність розробленої системи та її придатність для використання у якості асистента підтримки прийняття медичних рішень.The bachelor's thesis is devoted to the development and research of computer vision methods for the automated diagnosis of lung diseases using two-dimensional chest X-ray images. During the research, the COVID-19 Radiography Database (over 21,000 images) was analyzed. The problem of structural interclass imbalance was identified, for the solution of which the use of the macro-averaged recall metric (Macro-Recall) and the weighted categorical cross-entropy loss function was mathematically justified. A comparative experimental analysis of a baseline convolutional neural network (CNN) and a model based on the deep ResNet50 architecture using the Transfer Learning paradigm was conducted. The empirical superiority of the pre-trained model was proven, which allowed solving the problem of high algorithmic variance, avoiding overfitting, and achieving an overall classification accuracy of 91.52% with a pathology detection macro-recall of 91.21%. To overcome the "black box" problem, the Grad-CAM spatial localization algorithm was successfully implemented. The analysis of the obtained heatmaps confirmed that the developed neural network system makes decisions based on relevant spatial clinical markers (consolidation foci and "ground-glass" opacities). The obtained results prove the high predictive ability of the developed system and its suitability for use as a medical clinical decision support assistant.